في القطاعات مثل المالية والرعاية الصحية، حيث تخضع إدارة البيانات لمتطلبات تنظيمية صارمة، يُعد تبادل واستخدام البيانات تحديًا بالغ التعقيد. وقد برز التعلم المتماسك (Federated Learning - FL) كنمط مبتكر للتعلم الآلي الموزع، يمكّن المؤسسات المتعددة من التدريب المشترك على النماذج مع الحفاظ على توزيع البيانات. وعلى الرغم من مزاياه، فإن نموذج التعلم المتماسك عرضة لهجمات عدوانية، لا سيما هجمات التسميم أثناء عملية تجميع النماذج، والتي تُدار عادةً بواسطة خادم مركزي. ومع ذلك، لا تزال النماذج الشبكية العصبية قادرة على حفظ معلومات التدريب بشكل غير مقصود، ما قد يؤدي إلى كشف بيانات فردية. ويُشكل هذا تهديدًا كبيرًا للخصوصية، إذ يمكن للمهاجمين استرجاع البيانات الخاصة باستخدام المعلومات المحتواة في النموذج نفسه. وتُعد الحلول الحالية غير كافية في تقديم نظام متماسك للتعلم الآلي يراعي الخصوصية (BRFL) يضمن أمنًا تامًا ضد تسرب المعلومات، مع الحفاظ على الكفاءة الحسابية. ولحل هذه التحديات، نقترح "لانسلوت" (Lancelot)، إطار عمل مبتكر وفعال من حيث الحساب، يعتمد على التشفير الكامل المتجانس (Fully Homomorphic Encryption - FHE)، لحماية النظام من الأنشطة الضارة للعملاء، مع الحفاظ على خصوصية البيانات. وقد أظهرت اختباراتنا الواسعة، التي شملت تشخيصات التصوير الطبي ومجاميع بيانات صور عامة شهيرة، أن "لانسلوت" يتفوق بشكل كبير على الطرق الحالية، حيث يوفر زيادة تزيد عن عشرين مرة في سرعة المعالجة، مع الحفاظ على خصوصية البيانات.