飞机发动机预测维护中的联邦学习：如何兼顾个性化与对抗鲁棒性
联邦学习（FL）为飞机机队运营商提供了一种在不共享原始数据的前提下，联合训练剩余使用寿命（RUL）预测模型的方法。然而，现实中的联邦学习面临两大挑战：良性异质性（即不同运营商因运行条件和故障模式不同而产生的数据分布差异）和对抗性异质性（即存在恶意参与者提交投毒更新）。最新研究在C-MAPSS基准上系统比较了多种解决方案，揭示了准确率与安全性之间的权衡，并提出了一种组合策略，在几乎不损失精度的前提下显著提升模型鲁棒性。
研究背景
飞机发动机的预测性维护依赖于对传感器遥测数据的分析，以估算发动机的剩余使用寿命。传统方法需要集中收集数据，但出于隐私和竞争考虑，机队运营商往往不愿共享原始数据。联邦学习允许各方在不共享数据的情况下协同训练模型，但数据异质性和恶意攻击成为实际部署中的主要障碍。
核心发现
良性异质性：研究比较了四种应对数据分布差异的方法，发现**共享表示个性化（shared-representation personalization）效果最佳，能弥合本地模型与集中式模型之间约70%**的均方根误差差距，而近端正则化（proximal regularization）仅能弥合21%，服务器端重加权（server-side reweighting）仅10%。
对抗性异质性：研究设计了五种攻击策略，包括一种基于物理意义的传感器值后门攻击，能够掩盖发动机退化过程。结果显示，该后门攻击对标准联邦平均（FedAvg）的攻击成功率达94.9%，且不显著影响干净数据的准确率，表明仅凭准确率无法判断模型安全性，必须显式评估攻击成功率。
防御效果：在四种聚合方法中，Krum是唯一能够抵御协同攻击的聚合器，可将攻击成功率降低一个数量级。然而，仅靠个性化并不能提供防护。结合个性化与鲁棒聚合可将攻击成功率降至2.8%，同时仅带来微小的精度损失。
权衡与展望
研究揭示了鲁棒更新选择与协作表示学习之间的内在矛盾：过度强调鲁棒性可能限制表示学习的协作效果，反之亦然。但组合策略表明，两者可以兼顾。
该研究在多个客户端数量和更难的数据集（六种运行条件）上验证了结果的一致性，并公开了代码和数据划分，以支持可复现研究。
对于航空业而言，这一成果为构建安全、高效的联邦预测维护系统提供了重要参考，尤其是在多运营商协作场景中。未来，如何在更大规模、更复杂的实际数据上验证这些方法，仍是值得探索的方向。