面向联邦学习属性推断攻击的任务无关隐私保护表征学习

基于摘要分析。该研究关注联邦学习（FL）中不共享原始数据仍可能泄露敏感属性的问题，提出任务无关隐私保护表征学习方法 TAPPFL，旨在抑制属性推断攻击，同时保留支持下游 FL 任务的信息。 核心机制是两个互信息目标：一方面减少各设备数据表征中关于私有属性的信息，另一方面尽可能保留表征与设备原始数据之间的信息，以维持任务效用。这里“任务无关”指不必预先知道 FL 任务，并不意味着不需要指定敏感属性；属性监督需求及其具体实现尚未验证。作者称推导了针对最坏情形属性推断攻击的隐私保证，以及效用保持与隐私保护之间的内在权衡，具体假设、保证范围和互信息估计方法需查阅全文核对。 作者报告，在多个数据集和应用上的实验显示，TAPPFL 能保护隐私、维持 FL 效用，并具有计算效率，相较已有防御方法表现更优。摘要未列出数据集名称、数据划分、攻击者能力、对照方法及具体指标，因而不能据此量化优势；实验协议、消融及统计信息尚未验证。摘要提供了代码与完整版入口，但未核验实现和复现条件。 平台推测（待验证）：若联邦 EEG 表征同时携带任务信息与需保护的个体属性，双重互信息目标可能提供可复用的隐私约束；仍需适配 EEG 编码器、敏感属性监督和客户端划分。低信噪比、小样本、通道差异，以及敏感属性与任务标签相关，都可能使隐私抑制损害任务效用。一个可检验的小实验是在固定 Cross-subject 划分、客户端配置和属性标签条件下，对比普通 FL 与加入该约束的 FL，同时测量任务指标和独立属性攻击器的推断性能，检验隐私改善是否伴随不可接受的效用下降。上述属于迁移假设，并非论文已验证的 EEG 结果；已有 EEG 相关工作尚未检索确认。