利用多信号梯度指纹技术和自适应信任聚合机制的拜占庭式鲁棒联邦学习方法，用于异构脑部磁共振成像数据的研究

《Scientific Reports》：Byzantine robust federated learning for heterogeneous brain MRI using multisignal gradient fingerprinting and adaptive trust aggregation

　　

摘要

联邦学习允许在不同机构之间进行协作训练，而无需集中存储患者数据，但仍容易受到恶意客户端的影响，并且面临严重的非独立同分布（non-IID）数据异质性问题。我们提出了一种基于信任机制的联邦学习框架，用于脑部磁共振成像（MRI）数据，该框架结合了多信号梯度指纹识别技术和自适应聚合方法，以实现抗拜占庭式攻击的鲁棒性。每个客户端的更新信息都通过六个维度来表征：变分自编码器重构误差、与服务器参考数据的余弦相似度、节点间相似度、梯度范数、符号一致性以及蒙特卡洛沙普利值（Monte Carlo Shapley contribution）。一个双注意力模块和一个强化学习控制器将这些特征映射为信任权重，并与FedBN-P（一种结合了近端正则化的联邦批量归一化算法）集成在一起，该算法专为在异构和对抗性环境下保证系统稳定性而设计。我们在MNIST、CIFAR-10数据集、阿尔茨海默病患者MRI数据以及OASIS脑部MRI队列（约87个测试样本，仅用于概念验证）上进行了实验，评估了该框架在标准威胁模型和强化威胁模型（最多包含40%的恶意客户端）下的性能。针对特定攻击方式的实验表明：变分自编码器指纹识别技术是抵御噪声攻击的主要手段（去除该技术后准确率下降3.60个百分点）；沙普利值有助于在数据扩展时保持准确率（下降10.16个百分点）；强化学习则提升了系统在动态攻击场景下的检测一致性。三种子配对测试进一步验证了该框架的优越性：在非独立同分布的高斯噪声环境下，其检测F1分数比FLTrust高出多达44个百分点；白盒攻击者虽然能够干扰检测器的性能，但不会影响模型的整体准确率，这证明了框架的层次化设计有效性。在通信量相同的情况下，该框架的端到端处理时间比FedAvg算法慢8.8%。该框架在梯度缩放攻击下的F1分数超过0.98，同时在保持数据幅度的攻击下仍能保持准确率，尽管在这些情况下显式检测方法的效果有限。在任何临床应用之前，还需要在更大的联邦数据集（如ADNI、UK Biobank、FeTS）上进行进一步验证。