具有数据表示保护的安全高效去中心化联邦学习

基于摘要分析。本文研究完全去中心化 P2P 联邦学习中的参与者互信不足、投毒攻击、数据表示泄漏及通信成本问题，提出基于区块链的框架 BlockDFL；研究对象是通用联邦学习系统，并非 EEG 或 BCI 专用方法。 机制上，BlockDFL 以区块链为基础，通过 PBFT-based 投票机制与两层评分机制协调彼此不信任的参与者，限制恶意更新的影响；同时引入梯度压缩，以降低通信量，并旨在阻止从传输的模型更新中重建训练数据。摘要未披露评分依据、投票与聚合流程、压缩算法及隐私保证的具体形式，不能据此将重建防护等同于形式化隐私保证。 作者报告，在两个真实世界数据集上，BlockDFL 的 Accuracy 与中心化联邦学习具有竞争力，并表现出抗投毒能力、效率和可扩展性；在其恶意参与者占比高达 40% 的实验条件下，仍能维持联邦学习 Accuracy，优于所比较的现有区块链式完全去中心化 P2P 联邦学习框架。数据集名称、划分方式、攻击类型、具体 Accuracy、基线配置及统计信息尚未验证，完整复现还需核对共识与通信开销的计量方式。 平台推测（待验证）：若 EEG 研究需要在互不信任的多节点之间协作训练，其更新筛选与压缩机制可能具有参考价值；这依赖各节点能够训练兼容模型并交换可聚合更新。可复用部分是参与者协调和更新筛选，需改造部分包括适应跨被试、跨设备及通道差异的评分与压缩策略。低信噪比和小样本可能使正常节点更新被误判，压缩也可能损伤微弱判别信息。可在固定 EEG 数据与节点划分下，对比无防御联邦学习、仅筛选、仅压缩及完整机制，分别记录干净与投毒条件下的 Accuracy、通信量和正常节点误拒率。已有 EEG 相关工作尚未检索确认。