分布漂移下的贝叶斯联邦死因分类与量化

在缺乏医学认证死因的地区，口头尸检是一种通过采访护理人员来确定死因的关键且广泛使用的工具。通过口头尸检收集的数据通常使用概率算法进行分析。这些算法的性能常因不同人群间的分布漂移而下降。大多数现有的口头尸检算法依赖于集中式训练，需要完全访问训练数据进行联合建模。由于隐私和后勤限制，这通常是不可行的。在本文中，我们提出了一种新颖的贝叶斯联邦学习框架，该框架避免了在多个训练源之间共享数据。我们的方法能够在目标域中仅有有限或没有本地标记数据的情况下，实现可靠的个体级死因分类和群体级死因别死亡分数量化。所提出的框架是模块化的、计算效率高，并且与广泛的现有口头尸检算法作为候选模型兼容，便于在实际死亡监测系统中灵活部署。我们通过在两个真实的口头尸检数据集上，于不同程度的分布漂移下进行大量实验，验证了贝叶斯联邦学习的性能。结果表明，贝叶斯联邦学习显著优于基于单一域构建的基线模型，并且取得了与联合建模相当甚至更好的性能。