面向能源感知安全聚合的自适应联邦少样本稀有疾病诊断
人工智能
2025-10-02 v1 密码学与安全
分布式、并行与集群计算
机器学习
定量方法
摘要
稀有疾病诊断是数字健康领域最迫切的挑战之一, 受数据极度稀缺、隐私 concerns 以及边缘设备资源有限的制约. 本文提出了自适应联邦少样本稀有疾病诊断 (AFFR) 框架, 其集成了三个支柱: (i) 基于元学习的少样本联邦优化, 以从有限患者样本中实现泛化; (ii) 能源感知客户端调度, 以缓解设备掉线并确保参与平衡; (iii) 带校准差分隐私的安全聚合, 以保护敏感模型更新. 与针对上述问题单独处理的 prior work 不同, AFFR 将其统一为可部署于真实临床网络的模块化管道. 通过在模拟稀有疾病检测数据集上的实验评估, 显示在保持收敛性能的前提下, 相较于基线联邦学习(FL)实现准确率提升最高可达10%, 客户端掉线率下降超过50%, 且隐私-效用权衡保持在临床可接受范围内. 这些发现凸显AFFR作为稀有疾病可信平等联邦诊断的实用路径.
引用
@article{arxiv.2510.00976,
title = {Adaptive Federated Few-Shot Rare-Disease Diagnosis with Energy-Aware Secure Aggregation},
author = {Aueaphum Aueawatthanaphisut},
journal= {arXiv preprint arXiv:2510.00976},
year = {2025}
}
备注
6 pages, 6 figures, 12 equations, 1 algorithm