本文研究去中心化联邦学习（DFL）中安全聚合（Secure Aggregation, SA）的隐私泄露问题。在DFL中，每个节点与其邻居进行局部聚合，安全聚合通常被实例化为局部邻居聚合，即每个节点仅获得其邻居的加权聚合结果，而隐藏个体更新。作者指出，这种局部性会产生结构性的泄露面：稀疏的去中心化拓扑使得合谋的半诚实节点拥有不对称的聚合视图，从而暴露出诚实参与者私有状态的多个隐藏线性组合。从这些聚合视图中重建私有状态在数学上具有根本性挑战，因为私有状态和聚合系数都是隐藏的。作者将这一问题形式化地联系到密码学中研究已久的隐子集和问题（Hidden Subset Sum Problem），并基于此设计了一种基于格的攻击方法，结合格归约与结构滤波来重建受保护的模型状态。他们在图像、表格和文本任务上，在稀疏DFL拓扑下评估了该攻击。实验结果表明，合谋的半诚实的节点能够恢复诚实节点的原始本地更新，进而能够重建私有训练数据。这些发现证明，当局部聚合导致不对称观测时，仅靠安全聚合并不能保证DFL中的隐私。该工作揭示了DFL中安全聚合的固有弱点，并为设计更鲁棒的隐私保护聚合机制提供了理论性与实证性的基础。