不到3%数据的小医院，竟能跑出和大中心一样的模型效果！
Fed-Equilibrium Framework for Topological Pareto Control in Robust and Fair Clinical Federated Learning
📖 AI 总结
本文提出Fed-Equilibrium框架，旨在解决多中心临床联邦学习中的“知识主导”问题，即数据量大的中心节点压制少数群体节点的临床特征，将其视为异常值。该框架采用两阶段梯度控制级联：第一阶段通过余弦相似度漏斗过滤恶意噪声，确保方向一致性；第二阶段基于拓扑帕累托控制，通过识别最优帕累托拐点主动调节各节点贡献。研究在整合加拿大CNODES与美国SyntheticMass注册数据的双国模拟环境中验证了该框架。实验表明，该系统在抵御对抗性偏差的同时能有效容纳代表性不足的信号，数据量占比不足3%的美国少数节点实现了与数据丰富的加拿大中心相当的深度收敛。这一结果证实该框架能够有效对抗知识主导，在保障全局泛化能力的同时不牺牲局部临床代表性，为构建真正的“知识共同体”提供了可行路径。
🔑 关键词速览
| Federated Learning (FL) | 联邦学习，一种分布式机器学习范式，允许多个节点在不共享原始数据的情况下协同训练模型。 |
| Knowledge Dominance | 知识主导，指在联邦学习中数据量大的节点主导模型训练，导致少数节点数据模式被忽视的现象。 |
| Topological Pareto Control | 拓扑帕累托控制，一种通过识别帕累托最优拐点来调节各节点贡献的方法，旨在平衡效率与公平。 |
| Cosine Similarity Funnel | 余弦相似度漏斗，一种基于余弦相似度过滤恶意梯度噪声的几何质量保证机制。 |
| Knowledge Commons | 知识共享，指在联邦学习中实现全局模型泛化性与局部临床代表性兼顾的理想状态。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅