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。