FedTrust-GNN 在 1 万至 10 万参与者规模下达到 94.2% 准确率，并将标签翻转攻击成功率从 34% 降至 6.1%
核心概要
该工作提出 FedTrust-GNN，一个把差分隐私联邦学习与安全多方计算、采用 PBFT 共识的许可链、以及异构图注意力网络（HGAT）推断的动态信任分数结合起来的去中心化用户建模框架，并用信任加权鲁棒聚合（TWRA，结合范数裁剪与坐标中位数聚合）实现拜占庭容错；在 Federated EMNIST、Stack Overflow 与合成数据集（1 万至 10 万参与者）上报告 94.2% 准确率（与中心化模型相差 1.3% 以内）、标签翻转攻击成功率由 34% 降至 6.1%（降低 82%）、收敛稳定性提升 41%，以及 1200 TPS 与 2.3 秒最终性的区块链性能。
深度剖析
框架把三类机制组合成一个去中心化用户建模系统：差分隐私联邦学习加安全多方计算做梯度聚合，许可链用 PBFT 维护参与者行为、模型贡献与声誉分数的不可篡改账本，HGAT 通过注意力消息传递推断动态信任分数。 相对既有联邦学习方案，该设计同时针对隐私、可信权威依赖与关系信息缺失三个问题，把信任从中心化机构转移到链上账本与图模型推断。 证据来自论文自述的框架设计与实验设置，文本为不完整读取，未包含消融实验、威胁模型细节或安全证明。
信任分数驱动 TWRA 聚合，把范数裁剪与坐标中位数聚合结合，报告可对最多 30% 恶意参与者实现拜占庭容错。 把图推断出的信任信号直接接入鲁棒聚合规则，而不是仅用固定规则或静态权重。 文本给出 30% 恶意参与者这一容错阈值，但未提供该阈值下的攻击类型分布或统计置信区间。
在 Federated EMNIST、Stack Overflow 与合成数据集上，1 万至 10 万参与者规模下报告 94.2% 准确率，与中心化模型相差 1.3% 以内。 把去中心化建模的精度损失压缩到接近中心化水平，是该框架实用性的关键指标。 证据为论文报告的三类数据集结果，文本未给出各数据集的单独数值、方差或重复次数。
报告标签翻转攻击成功率由 34% 降至 6.1%（降低 82%），收敛稳定性提升 41%，区块链吞吐 1200 TPS、最终性 2.3 秒。 同时给出安全性与系统性能指标，说明该框架面向大规模部署的可行性。 这些数字来自论文自述的实验，文本为不完整读取，未包含基线对比表、硬件环境或统计检验。
启示与展望
该框架面向需要在无中心可信机构下进行用户建模的场景，例如跨机构或跨设备的联邦训练，适用规模在文本中报告为 1 万至 10 万参与者，容错目标为最多 30% 恶意参与者。对希望同时获得隐私保证、可审计信任记录与关系感知聚合的研究者与工程团队，它提供了一套可组合的机制模板：差分隐私加 SMPC 负责梯度层隐私，PBFT 许可链负责行为与声誉的可追溯，HGAT 负责把交互关系转成动态信任分数，TWRA 负责把信任分数落成鲁棒聚合规则。
文本为不完整读取，未包含图表、消融实验、基线对比与统计检验，因此 94.2% 准确率、82% 攻击降低、41% 收敛稳定性提升、1200 TPS 与 2.3 秒最终性这些数字的稳健性仍需在原文中核对。此外，HGAT 推断的信任分数在参与者关系稀疏或快速变化时的表现、PBFT 在更大规模下的共识开销、以及差分隐私预算与精度之间的权衡，都是读者可以继续关注的问题。