ShieldTSE：面向车联网交通状态估计的隐私增强分割联邦学习框架

基于摘要分析。该研究面向车联网（IoV）的交通状态估计（TSE），针对分割联邦学习（SFL）中间激活可能遭受模型反演攻击而泄露原始交通数据的问题，提出隐私增强框架 ShieldTSE；主要贡献是在保持任务效用的同时，降低上传特征对原始数据的可重建性。文中的 MI 指模型反演，而非运动想象。 机制上，ShieldTSE 首先采用结合对抗学习的变分编码器—解码器隐私保护特征提取模块，生成低维中间激活；随后通过基于硬注意力的特征选择模块，保留部分关键特征并移除冗余敏感特征。摘要未给出具体损失函数、对抗训练过程、特征选择规则及客户端与服务器的模型划分，相关实现细节尚未验证。 作者报告，在 METR-LA 和 PEMS-BAY 上、针对基于训练和基于优化的模型反演攻击，相较于未采用隐私保护策略的基线，平均重建均方误差（MSE）分别提升 18 倍和 35 倍；重建误差增大在此用于衡量攻击重建能力下降。作者还报告，相较于隐私保护基线，ShieldTSE 保持了更好的模型效用，但摘要未提供任务指标及具体数值。数据划分、攻击者知识与能力、各类攻击的分项结果、实验协议、消融及统计信息尚未验证，不能据此认定具有形式化隐私保证。 平台推测（待验证）：若 EEG 分割联邦学习同样存在中间激活重建风险，可考虑复用其隐私特征提取与选择机制，但需适配 EEG 的时序、通道结构和任务监督。低信噪比与小数据可能使特征压缩误删有效神经信息，跨被试差异也可能改变隐私—效用权衡。一个可检验的小实验是在固定数据划分、攻击能力及任务模型下，对比无保护、仅特征提取和完整框架的重建 MSE 与任务表现；这属于迁移假设，相关 EEG 工作尚未检索确认。