BrainGuard：面向多主体脑活动图像重建的隐私保护方法

从人类脑活动重构感知图像的任务是脑机接口之间人类与机器学习关键链条。早期方法主要侧重为每个个体单独训练模型，以消除个体脑活动中的差异，忽视了跨主体的有价值共性。近期研究探索了多主体方法，但这些方法面临数据隐私和有效管理个体差异的挑战。为克服这些挑战，我们提出了BrainGuard——一种面向多主体fMRI数据图像重建的隐私保护协作训练框架。BrainGuard采用协作的全局-局部架构，个体模型在各自本地数据上训练，并与捕获和利用跨主体模式的共享全局模型协同工作。该架构无需跨主体聚合fMRI数据，从而确保隐私保护。为处理fMRI数据的复杂性，BrainGuard集成了混合同步策略，使个体模型能够动态整合全局模型的参数。通过建立安全且协作的训练环境，BrainGuard不仅保护敏感脑数据，还提高了图像重建的准确性。大量实验表明，BrainGuard在高层和低层指标上均达到新的基准，通过创新设计推动了脑解码技术的前沿进展。