FLTrust 是联邦学习中一种基于信任评分的鲁棒聚合算法，由 Meta（Facebook AI）研究人员于 2020 年提出。它的核心思路是：服务器维护一小份来自真实数据的根数据集（root dataset），用每条客户端更新与服务器自身计算出的“基准更新”方向的一致性（余弦相似度）来打分，只给方向可信的更新分配权重，从而抵御恶意客户端发起的投毒与后门攻击。在众多拜占庭鲁棒聚合方法中，FLTrust 的主要优势是无需假设恶意客户端比例上限，也不需要依赖其他客户端之间的相互校验。
FLTrust 的近期研究进展
当前焦点与观察点
围绕 FLTrust 的讨论主要集中在三点：一是根数据集的现实可得性——实际部署中服务器往往难以拿到具有代表性的标注数据，这直接限制了 FLTrust 的适用范围，也是 FedDAB 等无根数据方法试图解决的问题；二是异构数据下的误伤风险，当客户端数据分布差异较大时，诚实更新也可能与基准更新方向偏离，信任评分会把良性客户端当成可疑方；三是场景迁移，从传统图像分类扩展到大模型联邦微调后，参数维度和更新稀疏性的变化对余弦相似度防御的有效性提出了新挑战。随着 LLM 辅助聚合策略选择等新方向出现，FLTrust 更多地作为防御基线和组件融入混合式防御框架，而非独立使用的最终方案。未来值得观察的是：在根数据集受限的现实中，信任评分机制如何与其他信号（如更新范数、梯度统计）组合，以及这类防御在真实生产环境中的部署成本。