Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data
arXiv 论文 2607.28191v1 提出一种用于临床脑电图数据的隐私保护联邦学习框架，以掩码安全聚合为核心，结合图通信、阈值秘密共享、抗掉线聚合、局部更新裁剪、可选布隆过滤器记录链接和辅助公证可验证性，支持半诚实与恶意聚合设置，基于 Flower 框架实现，并在 TUH EEG 数据模拟跨机构医疗场景中评估。
发展脉络
- 首次出现Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG DataarXiv cs.LG
- 当前判断该工作表明安全聚合技术正从理论走向实际应用，尤其在医疗等敏感数据领域。使用 Flower 框架实现和 TUH EEG 数据评估，显示其可落地性。但恶意设置保障和一致性检查引入额外开销，可能影响实际部署效率。未来可关注该框架在真实医疗机构的试点应用，以及与其他隐私保护技术（如差分隐私）的结合。Agent Pulse · 分析
该论文针对联邦学习中模型更新可能泄露个体信息的问题，提出一个基于掩码安全聚合的隐私保护联邦学习框架，用于临床脑电图数据。框架结合图通信、阈值秘密共享、抗掉线聚合、局部更新裁剪、可选布隆过滤器记录链接和辅助公证可验证性，支持半诚实与恶意聚合设置，并使用 Flower 框架实现。在模拟跨机构医疗场景中，使用 TUH EEG 数据评估安全聚合变体，结果显示在假设条件下，安全变体对聚合服务器隐藏个体更新，且与联邦模型训练兼容，但恶意设置保障和轻量一致性检查机制引入额外开销。
该框架的核心是掩码安全聚合，通过图通信和阈值秘密共享实现，支持抗掉线聚合，确保部分客户端掉线时仍能完成聚合。局部更新裁剪限制更新范数，减少隐私泄露风险。可选布隆过滤器记录链接模块在初始化阶段实现隐私保护的数据对齐。辅助公证机制提供可验证性，支持恶意聚合设置。实现基于 Flower 框架，表明安全聚合可集成到现有联邦学习工具中。
该工作表明安全聚合技术正从理论走向实际应用，尤其在医疗等敏感数据领域。使用 Flower 框架实现和 TUH EEG 数据评估，显示其可落地性。但恶意设置保障和一致性检查引入额外开销，可能影响实际部署效率。未来可关注该框架在真实医疗机构的试点应用，以及与其他隐私保护技术（如差分隐私）的结合。
该框架为医疗数据协作提供隐私保护方案，使多家机构在不共享原始数据的情况下联合训练模型，降低数据合规风险。对医疗 AI 公司而言，可提升产品在隐私敏感市场的竞争力；对医疗机构，可促进数据合作。但需评估额外计算和通信开销对成本的影响。
后续可验证信号包括：该框架是否在真实临床环境中部署，是否支持更大规模客户端，以及是否与差分隐私结合以提供更强隐私保证。此外，可关注 Flower 框架是否集成该安全聚合模块，以及是否有后续工作优化恶意设置下的开销。