通过分组鲁棒聚合实现 Byzantine 鲁棒联邦学习

基于摘要分析。本文研究联邦学习（FL）在 Byzantine 故障及恶意参与方攻击下的鲁棒性，提出分组鲁棒聚合框架：将模型参数聚类为不同组，并在各组内执行鲁棒聚合，以缓解实际参与方数据非独立同分布、梯度方差较大与鲁棒统计方法假设之间的不匹配。 原论文主要面向通用 FL 防御，而非 EEG 或 BCI。其机制是在已有 Byzantine-robust 聚合方法外引入参数分组，不是直接按参与方聚类。摘要未说明参数聚类依据、分组更新方式、具体聚合算法及额外计算成本，相关细节尚未验证。 作者报告，将该框架与多种常用 Byzantine-robust 聚合方法结合后，在能够绕过这些方法原始配置防御的攻击评估中，分组聚合提高了对 Byzantine 故障的鲁棒性。摘要未提供数据集、模型、参与方数量、恶意参与方比例、攻击细节或量化指标；实验协议、消融及统计信息尚未验证，因此不能据此推断对任意攻击、后门或异质数据均有效。 平台推测（待验证）：若跨被试 EEG 联邦训练同时存在正常被试差异与恶意模型更新，参数分组或可作为已有鲁棒聚合器的可复用模块；仍需明确参数分组依据，并适配 EEG 任务模型及客户端划分。低信噪比、通道配置差异和小样本可能使正常更新呈现强异质性，导致防御误伤正常客户端，或削弱对恶意更新的区分。一个可证伪的小实验是在固定 EEG 数据划分、模型、攻击和恶意客户端比例下，仅改变是否启用参数分组，对照无攻击与有攻击条件下的任务指标及聚合开销。该设想不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。