深度分析
差分隱私合成資料技術全解析：工作負載導向、LLM 與聯邦學習的應用
隨著可公開的人類資料日漸枯竭，研究者轉向差分隱私合成資料以保護使用者隱私。差分隱私合成資料在保留原始資料統計趨勢的同時，提供嚴格的個人資訊保護，並可取代傳統的去識別化方法。此技術有望解鎖受限資料集，促進AI模型訓練與商業應用。未來結合聯邦學習與大型語言模型，將提升其實用性。
聯邦學習
深度分析
生成式 AI 與聯邦學習結合提升入侵偵測：VAE、GAN、擴散模型與 LLM 應用解析
隨著網路攻擊手法持續演變，傳統 IDS 受限於資料稀缺與隱私限制。研究結合生成式 AI 與聯邦學習，利用變分自編碼器、GAN、擴散模型與大型語言模型在本端生成或增強流量，同時透過聯邦聚合避免資料外流。實驗顯示在多項基準上偵測率提升1%~3%，且通訊與運算成本下降15%~20%。
深度分析
「Auto‑FL‑Research」利用受限程式碼代理提升 NVFlare 聯邦學習配方搜尋效能
本研究針對聯邦學習的演算法設計，提出Auto‑FL‑Research（AFR）框架，透過受限的程式碼代理在固定預算與通訊合約下搜尋訓練配方。實驗在五個醫療FLamby任務與六個LEAF設定上，以五次隨機種子重複驗證，四項任務顯著提升效能，亦揭示部分成果受種子敏感影響。
深度分析
E‑FLoPS：結合 L0 約束與熵正規化的稀疏聯邦學習新方法
在資料稀疏且客戶端參與不均的聯邦學習環境下，研究提出以熵正規化的機率門來維持稀疏模型的探索性，結合 L0 约束與硬混凝土分布，實驗顯示相較於 FedAvg 後剪枝或 Fed‑IHT，測試準確度與稀疏度恢復均有顯著提升。此外，方法在不同 GPU 架構與客戶端參與比例下仍保持穩定加速 15%~20% 的運算速度，預示未來在 AI 服務部署與成本優化上具備廣泛應用前景。
深度分析
利用 XAI 引導特徵遮罩提升聯邦學習在非 IID 環境下的效能與隱私
聯邦學習因客戶端資料分布不一致而性能受損，研究提出FedXDS以XAI的特徵歸因指導資料共享，僅傳送屬於模型決策關鍵的特徵並加入度量差分隱私保護。實驗顯示在多客戶端與高異質性情境下，FedXDS能提升準確率與收斂速度，同時抵禦成員推論與特徵反演攻擊。此外，該方法僅需一次反向傳播即可取得歸因圖，減少計算開銷。
深度分析
聯邦學習訊息分類新框架：模型結構、統計摘要與資料條件化
隨著隱私法規限制，聯邦學習正從傳統權重與梯度交換，擴展到合成資料、統計摘要與條件表示等多元訊息。研究提出正式訊息定義與三層分類，並指出不同訊息在計算、通信與隱私風險上的取捨，預示未來系統將更具彈性與安全。此框架也為開發者提供選擇最佳訊息類型的參考依據。
深度分析
DiSan：角色‑風格正交化框架：跨組織文字私隱保護與聯邦原型同步技術解析
跨組織文字協作易洩露組織指紋，研究提出 DiSan 以角色與風格分離的雙流編碼，削減 PII 曝露 20 倍，同時保留 83% 回答忠實度。此框架透過聯邦原型對齊與對抗正則化，避免集中原始文本，並在 Enron 電子郵件測試中降低 73% 風格辨識率。研究顯示，僅遮蔽 19% 標記詞無法顯著降低風格屬性，證明傳統遮蔽不足。
深度分析
「硬體位翻」與 Rowhammer：Chain‑of‑Bit‑Flips 攻擊在聯邦模型適應中的實證分析
聯邦學習允許多端共同訓練模型，卻可能被惡意客戶端利用硬體位翻注入後門。研究者提出在單一本地模型參與者上以硬體故障方式執行Chain‑of‑Bit‑Flips攻擊，透過多輪位翻抵消聚合稀釋，最終在ResNet‑18上以僅19次惡意參與與每輪最多10次位翻就達成94%成功率。
速報
認知威脅情報與可解釋聯邦安全分析框架於分散式基礎建設的應用
隨著雲端、物聯網與邊緣運算的普及，分散式基礎建設的資安攻擊面持續擴大，傳統集中式入侵偵測面臨可擴展性、隱私保護與運算透明度等挑戰。研究提出結合聯邦學習、可解釋人工智慧與認知資安分析的框架，讓各節點在本地訓練安全模型，僅以加密的模型參數進行聯邦聚合，降低資料傳輸需求並提升隱私。
深度分析
資源受限環境下的聯邦學習：TITAN‑FedAnil+ 以區塊鏈與 Affinity Propagation 提升效能與安全
隨著智慧企業需要在保護隱私的同時進行分散式學習，研究提出TITAN‑FedAnil+結合區塊鏈與適應性聚合，以過濾惡意更新並減少記憶體負擔。實驗顯示在8 GB邊緣設備上，記憶體使用降低至81%，且在20輪訓練中保持超過92%的準確度。同時提供區塊鏈共識的狀態簽名機制，確保模型不可篡改。
速報
SECUREVENT：結合 AI 與 CEP 的分散式事件系統安全監控架構
分散式事件系統在即時資料傳輸、物聯網與雲端微服務中扮演關鍵角色，但其鬆耦合與非同步傳遞也擴大了攻擊面。研究提出 SECUREVENT，結合驗證傳輸、主題授權、簽名事件等傳統防護與線上異常偵測、圖形行為特徵、複雜事件規則、聯邦學習與對抗式機器學習治理的混合式安全監控架構。
深度分析
以 QUBO（量子退火）重構客戶端選擇：提升聯邦學習對 Advanced Lie 與隱蔽拜占庭攻擊的偵測
聯邦學習在分散式訓練中保護資料隱私，但面臨惡意客戶端（拜占庭）更新破壞全域模型收斂的風險。該研究把客戶端挑選重構為一個 QUBO（二元二次無約束優化）問題，將成對距離編入成本函數，以量子退火器搜尋整體最佳子集，取代 MultiKrum 的逐一貪婪評分。