FedStrategist：面向联邦学习中自适应与鲁棒聚合的元学习框架

联邦学习（Federated Learning, FL）提供了一种隐私保护的协作式人工智能范式，但其去中心化的特性会导致对模型投毒攻击的显著脆弱性。尽管已有众多静态防御措施，但其效果高度依赖具体情境，往往在面对自适应对手或异构数据环境时会失效。本文引入FedStrategist，一种新颖的元学习框架，将鲁棒聚合重新定义为实时、成本敏感的控制问题。我们设计了一种轻量级情境林贴剂代理人，能够基于实时诊断指标动态选择来自一系列防御措施中的最优聚合规则。通过综合实验，我们展示了没有任何单一的静态规则能够普遍最优。我们证明，该自适应代理人跨越 diverse 场景成功学习到优越策略，包括“Krum优势”环境以及针对旨在中和特定诊断信号的高级“隐形”对手。关键地，我们分析了非鲁棒基线实现高准确率但被妥协的悖论情形，证明代理人学习保守策略以优先保证模型完整性。此外，我们证明了代理人策略可通过单个“风险容忍度”参数进行控制，允许实践者明确管理性能与安全之间的权衡。我们的工作提供了一种新颖、实用且可分析的方法，用于构建具有韧性与智能的去中心化AI系统。