2025年4月把文章"Enhancing Federated Multi-Task Learning with Dropout-tolerant Privacy-Preservation in IoT Crowdsensing" 投稿到IEEE Transactions on Network and Service Management，历经1次reject and resubmit, 2次Major revision, 1次Minor revision, 终于录用。

让手机协作完成任务，又不暴露个人数据：一种更安全的联邦学习方案

     在智慧交通、环境监测和城市服务中，手机、车辆和其他移动设备可以收集大量数据。例如，手机能够记录交通状况，车辆可以感知道路环境，智能终端也能采集能源消耗等信息。如果把这些数据集中上传到服务器进行分析，虽然有助于训练人工智能模型，但也可能泄露用户的位置、设备状态甚至个人行为。

     联邦学习提供了一种新的解决思路。它不要求用户直接上传原始数据，而是让每台设备先在本地训练模型，再把模型更新结果发送给服务器，由服务器汇总形成更好的全局模型。这样，原始数据可以留在设备上，隐私风险明显降低。

    但是，联邦学习仍然存在两个问题。第一，模型更新本身可能包含一些敏感信息，攻击者有可能通过分析模型更新推测用户数据。第二，传统方案往往依赖一个完全可信的第三方进行解密和汇总，一旦这个第三方被攻击，所有参与者的信息都可能受到影响。此外，移动设备经常会因为断网、关机或资源不足而中途退出，系统还必须能够应对参与者掉线。

     针对这些问题，论文提出了一种面向移动群智感知的隐私保护聚合方案DTPA。该方案的核心思想是：参与设备先对模型更新进行加密，服务器在看不到单个设备具体更新内容的情况下完成聚合；最终结果通过分布式解密获得，不需要依赖一个集中式的完全可信第三方。也就是说，任何单个服务器都无法独立恢复某一台设备的模型更新，从而降低了集中式泄露风险。

     论文还设计了资源感知的设备选择机制。不同移动设备的计算能力、剩余电量、网络质量和在线稳定性并不相同，因此系统不能只关注设备数量，还要选择更适合参与训练的设备。合理的设备选择可以减少训练等待时间，提高模型训练效率。

针对设备中途退出的问题，论文进一步提出了基于预测的掉线容错机制。系统根据历史训练过程和设备参与情况，预测可能形成的全局模型，并据此提高对部分设备掉线的容忍能力。这样，即使部分参与者临时离线，联邦学习任务仍有机会继续完成，不必每次都重新开始。

从实验结果看，该方案能够在保护模型更新隐私的同时，保持较好的模型训练效果。论文还对计算开销、通信成本和设备选择策略进行了分析，结果表明，方案具有一定的实用性。不过，对于使用ResNet-18等参数规模较大的模型，实际加密和通信成本仍然会随着模型参数数量增长，未来还需要进一步结合模型压缩、参数分块和高效编码等技术降低开销。

总体来看，这项研究关注的是一个现实问题：如何让大量移动设备共同训练人工智能模型，同时不暴露各自的数据和模型信息。它通过加密聚合、分布式解密、智能设备选择和掉线预测等方法，为移动群智感知和联邦学习的安全应用提供了新的思路。未来，这类技术有望应用于智慧交通、智能电网、公共安全和物联网等场景，在充分利用分散数据价值的同时，更好地保护用户隐私。

支持单位：