超越静态知识信使：面向医疗AI的自适应、公平且可扩展的联邦学习
摘要
医疗AI在确保跨异构医疗机构公平性的同时面临隐私保护协作学习挑战。当前联邦学习方法 suffer from 静态架构、慢收敛（45-73轮）、公平性差导致较小机构被边缘化，以及可扩展性限制（15客户端限制）。我们提出**Adaptive Fair Federated Learning (AFFL)**，通过三项创新实现：(1)基于异构性和任务复杂度动态扩展容量的**Adaptive Knowledge Messengers**；(2)使用影响加权聚合的**Fairness-Aware Distillation**；(3)通过**Curriculum-Guided Acceleration**将轮数降低60-70%。我们的理论分析提供了收敛保证，epsilon公平性界限，实现O(T^{-1/2}) + O(H_max/T^{3/4})的速率。投影结果显示，通信减少55-75%，公平性提升56-68%，能源消耗降低34-46%，支持100+机构。该框架在保持HIPAA/GDPR合规性的同时，实现医学影像、基因组、电子健康记录和传感器数据的多模态集成。我们提出**MedFedBench**基准套件，用于跨六个医疗维度的标准化评估：收敛效率、机构公平性、隐私保护、多模态集成、可扩展性和临床部署就绪性。经济预测显示，农村医院可实现400-800%的投资回报率，学术中心可实现15-25%的性能提升。本工作提出七个问题的研究议程、24个月的实施路线图，以及实现医疗AI民主化的路径。
引用
@article{arxiv.2510.06259,
title = {Beyond Static Knowledge Messengers: Towards Adaptive, Fair, and Scalable Federated Learning for Medical AI},
author = {Jahidul Arafat and Fariha Tasmin and Sanjaya Poudel and Iftekhar Haider},
journal= {arXiv preprint arXiv:2510.06259},
year = {2025}
}
备注
20 pages, 4 figures, 14 tables. Proposes Adaptive Fair Federated Learning (AFFL) algorithm and MedFedBench benchmark suite for healthcare federated learning