通过信息论安全密钥分发实现高效安全联邦学习：医学影像案例研究

基于摘要分析。该研究针对联邦学习（FL）安全聚合中物理信息论安全（ITS）密钥分发的吞吐瓶颈，将冻结骨干网络、知识蒸馏和量化结合，以减少通信载荷及密钥材料消耗，并在真实物理密钥分发测试平台上开展胸部 X-ray 分类案例评估。 核心问题是安全聚合的密钥供给与训练通信需求不匹配：加性掩码通常依赖仅具计算安全性的经典密钥建立，而物理 ITS 密钥交换受到有限生成速率和限时存储的约束。本文框架通过降低模型更新所需传输的数据量，缓解持续训练中的密钥缓冲耗尽与密钥过期问题。摘要未说明三种技术的具体组合、蒸馏监督来源、量化精度、密钥消耗计算方式或完整安全协议，这些细节尚未验证；密钥分发的安全属性也不能直接等同于整个 FL 系统的端到端隐私保证。 作者报告，在该真实测试平台的胸部 X-ray 分类评估中，密钥用量可减少约 35 倍，同时保持预测准确率，并支持在物理密钥生成约束下持续训练。摘要未提供准确率数值、数据集、机构或客户端数量、数据划分及明确对照配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨机构 EEG 联邦训练采用类似安全聚合及受限密钥供给，该通信压缩思路可能缓解更新载荷过大问题，但医学影像结果不等于 EEG/BCI 效果。可复用的是通信量与密钥预算的联合评估框架；骨干网络、蒸馏监督及量化策略需适配 EEG 时序结构和通道差异。低信噪比、跨被试分布偏移与小数据可能使冻结表征或量化损失更明显。一个可检验的小实验是在固定 Cross-subject 划分和密钥供给预算下，对照原始更新与压缩更新，同时记录 Accuracy、传输字节数、密钥消耗和缓冲状态。已有 EEG 相关工作尚未检索确认。