Batman：联邦后门攻击中通过恶意零空间实现良性知识对齐

基于摘要分析。本文研究 Federated Learning（FL）中的后门攻击，提出 Batman，试图缓解良性知识对齐与后门攻击有效性在共享参数空间中的冲突。核心思路是在恶意零空间内进行良性知识对齐，使对齐方向尽量不干扰攻击行为；研究对象是联邦学习安全，而非 EEG 或 BCI 解码。 作者将现有方法的困难概括为两类：基于触发器表面设计的攻击可能对齐不足，使恶意更新仍可与良性更新区分；表征引导攻击则可能在共享参数空间中过度引入良性知识，削弱攻击效果。Batman 据此将对齐操作约束到恶意零空间，并结合干净模型与全局模型引导该空间内的对齐扰动，以增强隐蔽性。摘要未给出零空间的数学定义、构造方式、优化目标或计算开销，这些机制细节尚未验证。 作者报告，在四个基准数据集及多种防御条件下，Batman 保持了较强的后门攻击表现与隐蔽性。摘要未列出数据集名称、模型、数据划分、恶意客户端比例、攻击者权限、防御方法及具体指标，因此不能据此量化优势，也不能确认其对正常任务性能的影响；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 联邦训练也依赖聚合客户端更新，该机制可作为后门防御的压力测试思路，而非提升解码性能的方法。可复用的是对齐与攻击行为解耦的安全评估框架；需改造的是适用于 EEG 的触发条件、模型约束及跨被试非独立同分布设置。低信噪比、通道差异和小样本可能使空间估计不稳定。一个可检验的小实验是在固定跨被试划分、攻击者权限与防御设置下，对照是否使用零空间约束，分别评估正常任务表现、后门攻击成功率及更新可检测性。已有 EEG 相关工作尚未检索确认。