Lancelot 是什么？在全同态加密下做抗投毒的联邦学习

Lancelot 是一个兼顾隐私保护和抗攻击能力的联邦学习框架，由香港中文大学 AIoT 实验室、重庆大学、香港城市大学等机构的研究人员提出，论文标题是《Lancelot：在全同态加密下实现高效且保护隐私的拜占庭鲁棒联邦学习》，相关成果在 2025 年发表。

背景：两个相互拉扯的需求

在金融、医疗这类对数据监管极其严格的行业，数据的交换和使用面临很大挑战。联邦学习让多个机构在数据不出本地的情况下协同训练模型，因此被寄予厚望。但联邦学习有一个弱点：在汇总各方模型更新的环节，容易遭到“投毒攻击”。如果某个参与方是恶意的，或者被攻击者控制，它可以上传精心构造的错误更新，破坏全局模型。能够抵御这类恶意参与方的联邦学习，称为拜占庭鲁棒联邦学习（BRFL）。

问题在于，要识别恶意的更新，服务器通常需要看到各方的模型更新并加以比较；而为了保护隐私，又希望这些更新被加密，谁都看不到。全同态加密（FHE）允许直接对密文进行计算，理论上可以兼顾两者，但它的计算开销极大，直接在密文上做拜占庭鲁棒的聚合，慢得无法实用。

Lancelot 的做法

Lancelot 提出了一种新的交互式联邦学习范式，用于机构之间的去中心化协作。核心思路是减少在密文上进行的最昂贵的计算：比如利用密码学技巧，避免在密文上做复杂的排序比较操作，转而由持有密钥的一方安全地完成部分计算，同时不泄露各方的数据。研究人员还结合了硬件加速等优化手段。

意义

论文报告，Lancelot 在保证数据隐私和抗投毒能力的同时，大幅提升了计算效率，让全同态加密下的拜占庭鲁棒联邦学习变得更接近实用。这对医院联合训练诊断模型、银行联合进行反欺诈建模等场景，提供了一种更安全的技术方案。