IOShift：通过模型偏置偏移实现联邦学习后门防御

基于摘要分析。本文研究 Non-IID 联邦学习（FL）中的后门防御，提出 IOShift，利用后门植入引起的模型偏置偏移检测恶意更新，并结合自适应权重剪枝进行后门移除与干净任务效用保持。主要研究对象是通用 FL 安全，而非 EEG 或 BCI。 机制方面，作者指出，依赖梯度信息界定良性参数空间的防御在 Non-IID 场景中面临困难。作者报告了 Backdoor-Induced Model Bias Shift 现象：后门捷径植入后，模型在分布外（OOD）数据上的偏置向攻击目标类别移动。IOShift 以分布内数据上的模型偏置为参照，测量 OOD 数据上的偏置变化来识别恶意更新。摘要未说明偏置的数学定义、检测阈值、OOD 数据构造方式及剪枝细节，这些均尚未验证。 作者报告，IOShift 在基准数据集与后门攻击实验中优于现有先进防御，并可接入现有 FL 框架，无需修改通信协议或注入专门设计的任务。摘要未给出具体数据集、攻击配置、Non-IID 划分、性能数值及效用衡量指标，因而无法判断优势范围；实验协议、消融及统计信息尚未验证。摘要称代码可用，但所给材料未提供可核对的仓库地址。 平台推测（待验证）：若用于跨被试 EEG 联邦训练，可复用其基于模型输出变化检测客户端恶意更新的思路，但需要针对 EEG 重建分布内参照与 OOD 探针，并核对相应数据的可获得性和隐私边界。该迁移假设依赖 OOD 偏置变化能区分后门与正常被试差异；低信噪比、通道差异及小数据可能使二者混淆。一个可证伪的小实验是在固定的跨被试 EEG 划分下，对照无攻击与后门攻击条件，检验偏置变化能否稳定区分恶意更新，同时记录误报、后门攻击成功率与干净任务性能。已有 EEG 相关工作尚未检索确认。