金融、医疗等高度敏感的应用场景中，拜占庭鲁棒联邦学习（BRFL）能够有效避免因数据集中存储而导致的隐私泄露风险，同时防止恶意客户端对模型训练的攻击。然而，即使是在模型更新的过程中，信息泄露的威胁仍然无法完全规避。为了解决这一问题，全同态加密（FHE）技术通过在密文状态下进行安全计算，展现出保护隐私信息的巨大潜力。
然而，FHE 的计算效率始终是其最大的瓶颈，尤其在面对高复杂度操作（如排序、聚合）时，计算开销会随着客户端数量和数据规模的增加呈指数级增长，极大地限制了其在实际场景中的应用。
针对这一挑战，香港中文大学 AIoT 实验室联合重庆大学、香港城市大学等高校和企业，首次将全同态加密（FHE）与拜占庭鲁棒联邦学习（BRFL）深度融合，提出了全新的 Lancelot 框架。该框架实现了在加密状态下的鲁棒聚合计算，算法优化和硬件加速设计为其高效性提供了保障，有效解决了传统 FHE 计算开销高、复杂聚合规则支持不足以及隐私保护与鲁棒性难以兼顾的问题。
这项研究已发表在《Nature Machine Intelligence》上。
