基于时序 Transformer CAN 编码器与联邦轻量头的车载网络异常检测框架
针对车载 CAN 总线通信中难以识别的细微时序与上下文异常，研究者提出一种隐私保护检测框架，将学习信号随时间演变的轻量 Transformer 编码器与联邦学习机制结合，使多辆车或 ECU 无需交换原始 CAN 数据即可协同改进共享模型。在开源数据集上的实验显示，该方案在保持效率与隐私的同时实现了稳健的异常检测性能。
#联邦学习
arXiv 隐私论文AI 评分3030 arXiv 隐私论文AI 评分3131 Fed-GRPO：奖励信号驱动的联邦群组相对策略优化
Fed-GRPO 是一个联邦 GRPO 训练框架，让大语言模型在不共享原始数据的前提下协作进行推理训练，并利用 GRPO 训练中自然产生的奖励统计作为零成本信号来指导聚合、本地训练与通信。
arXiv 隐私论文AI 评分3131 EIFL：在联邦学习中高效保护全局模型隐私与完整性、抵御不可信服务器
针对联邦学习中不可信服务器可能返回被篡改的全局模型、且现有验证方案依赖客户端预先协商并保密的辅助信息（一旦泄露即可被绕过）的问题，研究者提出 EIFL。该方法采用两阶段聚合并结合对称加密保护输出隐私，基于向量内积实现高效完整性验证，并用随机向量生成让客户端就辅助信息达成一致，将辅助信息与输出完整性绑定，无需再对服务器保密，同时通过简单重发机制抵御验证阶段的客户端掉线。
arXiv 隐私论文AI 评分4141 HE-OFT：同态加密下隐私保护的一次性联邦微调
HE-OFT 是首个不向任何参与方交付训练模型的密码学安全一次性联邦微调协议：各客户端在冻结的公共骨干网络上微调低秩适配器与分类器头，仅上传一次加密的头部位移，由服务器在多方 CKKS 下合并且从不解密。
arXiv 隐私论文AI 评分3131 联邦贝叶斯监测机械取栓不良事件：手术数字孪生的人群风险层
研究提出将人群规模不良事件监测作为手术数字孪生的独立信念层，并评估一种在形式化隐私保证下学习的联邦贝叶斯协议，各站点仅交换 Rényi 差分隐私自然参数更新。
arXiv 隐私论文AI 评分4040 FedDermaSeg：面向皮肤镜图像分割的联邦学习方案
研究团队提出 FedDermaSeg，用联邦学习在 ISIC 2018 皮肤病变分割挑战赛数据集上模拟分布式训练环境，构建隐私保护的皮肤病变分割模型。该模型在 ISIC 2018 测试集和 PH2 数据集上评估，性能与集中式训练相当，并持续优于各本地训练模型，表明无需集中汇聚医学图像即可实现协作式皮肤病变分割。
arXiv 隐私论文AI 评分2222 FedSSMCoOp：面向少样本分类的轻量级联邦提示学习 SSM 编码器
FedSSMCoOp 是一个联邦少样本图像分类框架，用基于 SSM 的 Vision Mamba 与 Cross Mamba 模块，在联邦场景下只优化 soft-prompt 和 communication-prompt 更新，从而无需外部大语言模型做特征对齐。该框架在多个生物医学图像数据集上训练评估，性能相对基线稳定，平均轻量 1.96 倍。