用于联邦学习隐私与鲁棒性权衡的权重空间噪声

基于摘要分析。本文研究联邦学习中对抗鲁棒性与隐私保护的权衡，主要实验对象是病理、脑膜瘤及胶质瘤分类等医学影像任务，而非 EEG 或 BCI。方法将服务器端联邦对抗适应与模型传输过程中的分布式 Gaussian 噪声注入结合，尝试在保护隐私的同时维持对抗鲁棒性。 核心机制是在模型权重而非输入上添加噪声，并将随机平滑理论扩展到权重域。作者报告，其理论分析给出认证的 ℓ₂ 鲁棒性界，以及多轮通信中的差分隐私组合性质。摘要尚不足以确定鲁棒性认证针对的扰动对象、威胁模型、邻接关系及隐私预算计算方式，这些应以全文为准。 在上述医学影像分类评估中，作者报告鲁棒性与常规对抗训练方法相当，所需重新训练样本更少；相对基线，攻击成功率降幅最高达 27%，每轮联邦通信的计算开销增加仅为 4–5%。摘要未提供具体数据集名称、划分、客户端配置、攻击类型、基线细节及隐私预算，也未说明 27% 是相对降幅还是百分点变化，因此不能据此作同协议性能比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能用于需要保护被试数据的 EEG 联邦学习，但医学影像结果不等于 BCI 有效性。可复用部分是权重噪声与跨轮隐私核算；需改造部分是 EEG 模型、客户端组织及信号扰动威胁模型。其依赖多轮模型传输，但监督方式与数据规模要求尚未验证。低信噪比、小样本及跨被试、跨通道差异可能使权重噪声放大性能损失，权重域认证也不能直接视为 EEG 输入扰动认证。一个可检验的小实验是按被试组织客户端，在固定训练与测试划分、通信轮数及可比隐私预算下，对照常规联邦训练、对抗训练和该方法，分别测量干净任务性能、明确威胁模型下的鲁棒性及隐私攻击成功率。已有 EEG 相关工作尚未检索确认。