FLGuardian：通过细粒度检测防御联邦学习中的模型投毒攻击

基于摘要分析。本文研究联邦学习（FL）中的非定向及后门模型投毒攻击，提出层空间防御方法 FLGuardian，通过逐层识别良性客户端并汇总信任分数，选择客户端参与全局模型更新。原研究对象是联邦学习安全，而非 EEG 或 BCI。 机制上，FLGuardian 在每一层结合客户端之间的成对余弦距离、成对欧氏距离与聚类算法进行检测；随后依据各层检测结果为客户端计算信任分数，较深层获得更高权重，最终选取分数最高的若干客户端更新全局模型。相对于摘要所述的整体模型空间检测或忽略层间差异的防御，其主要区别是逐层检测与深度加权汇总。距离的具体计算对象、聚类算法、权重形式及客户端选择数量尚未验证。 作者报告，在针对七种模型投毒攻击、与九种典型防御方法比较时，FLGuardian 在多数情形下表现更好。具体而言，在 CIFAR-10 的层空间后门攻击 LPattack 条件下，作者报告其 Backdoor Success Rate（BSR）低于 3%，其他防御的 BSR 高于 93%；作者还报告其可抵御针对 FLGuardian 定制的自适应攻击。上述结果不能外推至所有联邦学习设置，攻击者比例、数据划分、客户端采样、正常任务性能、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 跨被试联邦训练采用相同结构的分层模型，该机制或可用于检测恶意客户端更新，但原领域有效不等于 BCI 有效。可复用的是逐层距离检测与客户端信任汇总；需评估或改造层权重和聚类阈值，避免将低信噪比、通道差异及小样本引起的正常被试异质性误判为投毒。一个可证伪的小实验是在固定跨被试划分与攻击配置下，对比逐层检测和整体模型检测，同时记录正常任务 Accuracy、BSR 与良性客户端误拒率。已有 EEG 相关工作尚未检索确认。