该论文研究分割学习（Split Learning）场景下的劫持攻击防御问题。分割学习是一种分布式机器学习范式，允许多个参与方在不共享原始数据的情况下协作训练模型，但存在安全漏洞：攻击者可能劫持模型参数或梯度，窃取敏感信息。作者提出了一种名为“Pinocchio's Nose”的梯度审查器（Gradients Scrutinizer），通过利用内在属性（intrinsic attributes）来检测和防御分割学习中的劫持攻击。具体地，该方法从梯度中提取统计特征（如均值、方差、高阶矩等），并基于这些特征构建分类器，以区分正常梯度与被劫持的恶意梯度。实验在多个数据集（如CIFAR-10、MNIST、ImageNet）和模型架构（如ResNet、VGG）上进行，结果表明该方法能够以高精度检测多种劫持攻击（包括替换、添加噪声、反向梯度等），且对模型训练性能的影响极小。核心贡献包括：(1) 首次从梯度内在属性角度系统分析分割学习劫持攻击的可检测性；(2) 设计轻量级、模型无关的防御机制，无需修改训练协议；(3) 在多种攻击场景下验证了方法的有效性和鲁棒性。该研究为分割学习的安全部署提供了实用的检测工具。