近日，我院助理教授秦悦作为共同通讯作者，与北京理工大学合作完成的论文“Byzantine-Robust Asynchronous Federated Learning via Feature Fingerprinting”被网络与信息安全领域国际顶级期刊IEEE Transactions on Information Forensics and Security录用。

针对现有联邦学习防御方法在数据与设备异构性条件下鲁棒性不足问题，本研究提出了一种新型框架，通过引入局部模型特征表示差异量化方法，并结合基于公开数据训练的参考模型与聚类过滤机制，实现了对恶意模型的有效甄别与剔除。实验结果表明，该框架在6个数据集、3类任务及5种典型拜占庭攻击下，测试错误率平均降至现有方法的0.42倍，在无攻击场景下仍保持最优精度，且聚合过程平均加速12.3倍。

期刊介绍：

该期刊与IEEE TDSC、Journal of Cryptology同列CCF推荐A类，均属于网络与信息安全领域的国际顶级学术期刊。

作者介绍：

秦悦现为中央财经大学信息学院助理教授，博士毕业于美国印第安纳大学伯明顿分校。其研究方向为网络安全、机器学习与自然语言处理的交叉领域，致力于通过数据驱动方法识别和刻画复杂网络系统与AI系统中的关键安全与隐私风险，并设计具备鲁棒性与隐私保护能力的实际可部署解决方案。相关成果已发表于多项国际高水平期刊与会议。

撰稿：秦悦

审阅：高胜