TOFD: Target-Oriented Feature Decoupling against Poisoning Attacks in Split Federated Learning
Split Federated Learning (SFL) 在隐私保护协作训练中面临多种投毒攻击，现有防御未能利用分割架构。论文提出 TOFD（Target-Oriented Feature Decoupling）统一框架，通过目标推断、样本净化和解耦优化三阶段实现主动检测与鲁棒优化，并提供收敛性理论保证。
发展脉络
- 首次出现TOFD: Target-Oriented Feature Decoupling against Poisoning Attacks in Split Federated LearningarXiv cs.AI
- 当前判断SFL 作为联邦学习与模型分割的结合，在隐私敏感场景中具有应用潜力，但其安全漏洞限制了实际部署。TOFD 提供了针对投毒攻击的统一防御框架，可能推动 SFL 在金融、医疗等对数据安全要求高的行业落地，但需进一步验证其在真实场景中的鲁棒性和效率。Agent Pulse · 分析
Split Federated Learning (SFL) 通过分割模型架构实现隐私保护协作训练，但引入了独特攻击面，易受多种投毒攻击。现有防御方法未充分利用分割范式，难以早期检测和遏制恶意行为。TOFD 框架通过三阶段操作应对：目标推断阶段使用类特定 Margin Perturbation (MP) 细化类级安全区以识别潜在攻击目标；样本净化阶段通过跨类最小-最大归一化校准阈值，自适应过滤被投毒的 smashed data；解耦优化阶段利用对抗引导模型捕获攻击诱导模式并在优化中解耦其影响，抑制残余对抗效应。论文提供了 TOFD 收敛性的理论保证，并通过大量实验验证其有效性。
TOFD 的核心创新在于利用 SFL 的分割架构，将防御从被动检测转向主动目标推断。Margin Perturbation 方法通过类级安全区细化识别攻击目标，跨类最小-最大归一化提供自适应净化阈值，而对抗引导模型实现攻击模式解耦。这种三阶段设计使防御能早期介入，而非事后修复。
SFL 作为联邦学习与模型分割的结合，在隐私敏感场景中具有应用潜力，但其安全漏洞限制了实际部署。TOFD 提供了针对投毒攻击的统一防御框架，可能推动 SFL 在金融、医疗等对数据安全要求高的行业落地，但需进一步验证其在真实场景中的鲁棒性和效率。
对于采用 SFL 进行协作学习的企业，TOFD 提供了一种可验证的防御方案，降低投毒攻击导致的数据泄露和模型损坏风险。其理论保证增强了可信度，可能吸引对安全敏感的客户，但商业化需考虑计算开销和集成成本。
TOFD 的收敛性保证为理论分析奠定基础，未来可能扩展至更多攻击类型和更复杂的模型架构。可验证的下一信号包括：TOFD 在更大规模数据集上的基准测试结果、与其他防御方法的对比实验，以及其在真实 SFL 系统中的部署案例。