In Sektoren wie Finanzwesen und Gesundheitswesen, in denen die Daten-Governance strengen regulatorischen Anforderungen unterliegt, sind der Austausch und die Nutzung von Daten besonders herausfordernd. Federated Learning (FL) hat sich als bahnbrechendes Paradigma des verteilten maschinellen Lernens etabliert, das eine kooperative Modelltrainingsüber mehrere Institutionen hinweg ermöglicht, während gleichzeitig die Dezentralität der Daten gewahrt bleibt. Trotz seiner Vorteile ist FL anfällig für adversariale Bedrohungen, insbesondere bei Poisoning-Angriffen während des Modellaggregationsprozesses, der gewöhnlich von einem zentralen Server verwaltet wird. In diesen Systemen verfügen neuronale Netzwerke dennoch weiterhin über die Fähigkeit, Trainingsinstanzen unbeabsichtigt zu „merken“ und potenziell sensible Informationen preiszugeben. Dies birgt ein erhebliches Datenschutzrisiko, da Angreifer durch Ausnutzung der im Modell enthaltenen Informationen private Daten rekonstruieren könnten. Bisherige Lösungen erreichen nicht die Voraussetzungen für ein praktikables, datenschutzorientiertes BRFL-System, das sowohl vollständig gegen Informationsexfiltration geschützt ist als auch rechnerisch effizient arbeitet. Um diese Herausforderungen anzugehen, stellen wir Lancelot vor – einen innovativen und rechnerisch effizienten BRFL-Framework, der vollständige homomorphe Verschlüsselung (FHE) einsetzt, um sich gegen böswillige Client-Aktivitäten zu schützen und gleichzeitig die Datenprivatsphäre zu gewährleisten. Unsere umfangreichen Tests, die medizinische Bildgebungsdiagnostics sowie weit verbreitete öffentliche Bilddatensätze umfassen, zeigen, dass Lancelot bestehende Ansätze deutlich übertrifft und dabei eine mehr als zwanzigfach höhere Verarbeitungsgeschwindigkeit erreicht, ohne die Datenprivatsphäre zu gefährden.