金融、醫療等高度敏感的應用場景中，拜占庭魯棒聯邦學習（BRFL）能夠有效避免因數據集中存儲而導致的隱私泄露風險，同時防止惡意客戶端對模型訓練的攻擊。然而，即使是在模型更新的過程中，信息泄露的威脅仍然無法完全規避。為了解決這一問題，全同態加密（FHE）技術通過在密文狀態下進行安全計算，展現出保護隱私信息的巨大潛力。
然而，FHE 的計算效率始終是其最大的瓶頸，尤其在面對高復雜度操作（如排序、聚合）時，計算開銷會隨著客戶端數量和數據規模的增加呈指數級增長，極大地限制了其在實際場景中的應用。
針對這一挑戰，香港中文大學 AIoT 實驗室聯合重慶大學、香港城市大學等高校和企業，首次將全同態加密（FHE）與拜占庭魯棒聯邦學習（BRFL）深度融合，提出了全新的 Lancelot 框架。該框架實現了在加密狀態下的魯棒聚合計算，算法優化和硬件加速設計為其高效性提供了保障，有效解決了傳統 FHE 計算開銷高、復雜聚合規則支持不足以及隱私保護與魯棒性難以兼顧的問題。
這項研究已發表在《Nature Machine Intelligence》上。
