双重分析优于单一分析：面向 non-iid 数据联邦学习投毒防御的模型权重与潜在空间分析

基于摘要分析。本文研究 non-iid 数据条件下联邦学习的模型投毒防御，提出 GeminiGuard，通过联合模型权重分析与潜在空间分析，尝试解决良性客户端的异质更新容易与恶意更新混淆的问题。主要研究对象是通用联邦学习安全，而非 EEG 或 BCI。 在联邦学习中，恶意参与方可上传任意模型更新，干扰全局模型。作者指出，许多既有防御建立在客户端数据 iid 的假设之上；作者报告，其基准评估发现这些防御在多种 non-iid 场景下表现不足。GeminiGuard 的机制依据是：单独使用模型权重分析或潜在空间分析，难以覆盖不同投毒攻击与数据异质性，而两类分析可能提供互补信息。因此，方法结合一个新的模型权重分析组件与定制的潜在空间分析组件，并以轻量、通用、无监督为设计目标。摘要未说明两类分析的具体统计量、融合规则、潜在表示来源或服务器所需数据，相关实现与开销尚未验证。 作者报告，在多种实验设置下，GeminiGuard 能防御非定向和定向模型投毒攻击，包括自适应攻击，并持续优于所比较的 SOTA 防御。摘要未提供数据集、客户端划分、攻击者比例、异质性构造方式、对照方法名称或具体指标，因此目前不能量化收益，也不能判断不同协议间的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 联邦训练中跨被试或跨机构差异同样导致良性更新被误判，双空间互补分析可能具有可复用价值。该假设依赖客户端更新可比较，以及能够获得适当的潜在表示；权重分析框架可作为候选模块，但潜在表示提取与融合判定需适配 EEG 任务及隐私约束。低信噪比、通道配置差异和客户端小样本可能进一步混淆良性与恶意更新。一个可检验的小实验是在固定跨被试划分、攻击比例与聚合协议下，比较双组件、各单组件及原有防御，同时记录任务 Accuracy、良性客户端误判率与通信或计算开销。已有 EEG 相关工作尚未检索确认。