本研究提出了一种隐私保护的领域对抗联邦学习框架（DAFed），旨在解决脑功能连接分析中的隐私问题和数据挑战。该框架通过特征解耦和对抗训练，提高了模型的鲁棒性和分类准确性，尤其在自闭症谱系障碍的诊断中表现突出，推动了多站点联合研究的发展。

该文综述了脑功能连接与神经影像分析研究，涉及脑部TokenGT、CT-GAN、门控图神经转换器、DiffGAN-F2S等模型，用于神经变性疾病诊断、预后及认知预测；并提出反事实图、对抗解释器等可解释性框架，提升模型透明度与鲁棒性，为阿尔茨海默病等疾病分析提供新思路。