Federated Learning

深度分析

FLINT黑盒攻擊：利用5G實體層側信道識別聯邦學習模型架構

聯邦學習旨在保護原始數據，但 5G 網路的實體層調度元數據仍可能洩漏資訊。研究團隊開發 FLINT 框架，透過解碼 PDCCH 調度資訊並將變動識別碼映射回設備，利用多視圖時間建模分析訓練行為，成功從黑盒觀測中推論出模型架構家族。實驗結果顯示其分類準確率極高，證明實體層側信道可將被動偵察轉化為針對性的下游攻擊。

An illustration of the FedXAI framework balancing data privacy and AI model transparency across healthcare and finance.

深度分析

聯邦可解釋人工智慧 (FedXAI)：平衡隱私保護與模型透明度

面對分散式數據的隱私限制，聯邦學習雖能保護數據但模型仍是黑盒子。FedXAI 試圖將可解釋性整合進聯邦學習生命週期，透過多維度分類法分析模型解釋技術與隱私保護的共存路徑。研究指出該技術在醫療與金融等高風險領域至關重要，但目前仍面臨非 IID 數據導致的解釋不一致及缺乏標準化評估指標等挑戰，將影響未來可信 AI 的部署。