面向心血管风险预测的鲁棒安全框架：差分隐私联合学习的架构案例研究
机器学习
2026-03-17 v1 人工智能
密码学与安全
摘要
准确的心血管风险预测对于预防性医疗至关重要，但由于临床数据因隐私法规而在不同机构之间碎片化，导致健壮的人工智能模型开发受到阻碍。本文提出了一项全面的架构案例研究，用以验证 FedCVR——应用于异构临床网络的隐私保护式联合学习框架的工程鲁棒性。本工作侧重于对服务器端自适应优化在实用隐私预算下，围绕以实用为导向的差分隐私（DP）所面临的运营权衡进行量化分析，而非提出新的理论优化器。通过在高保真合成环境中进行严格压力测试（该环境基于真实数据集校准，包括 Framingham 和 Cleveland 数据），我们系统评估了系统对统计噪声的抗性。验证结果表明，集成服务器端动量作为时序去噪器后，该架构能够实现稳定的 F1 分数为 0.84，受试者工作曲线下面积（AUC）为 0.96，显著优于标准无状态基线方法。我们的发现确认，在现实的隐私预算下，服务器端自适应性是恢复临床实用性的结构性必需条件，为安全的跨机构合作提供了经过验证的工程蓝图。
引用
@article{arxiv.2603.13293,
title = {A Robust Framework for Secure Cardiovascular Risk Prediction: An Architectural Case Study of Differentially Private Federated Learning},
author = {Rodrigo Tertulino and Laércio Alencar},
journal= {arXiv preprint arXiv:2603.13293},
year = {2026}
}