打破数据效率困境：面向阿尔茨海默病检测的联邦与增强学习框架
计算与语言
2026-02-17 v1 人工智能
摘要
早期诊断阿尔茨海默病（AD）至关重要，可延缓其进程。虽然基于 AI 的语音检测方法非侵入且成本效益高，但因医疗数据稀缺和隐私障碍，面临数据效率困境。因此，我们提出 FAL-AD 框架，系统性地通过联邦学习与数据增强融合，优化数据效率。该方法实现三大突破：首先，通过语音转换驱动的数据增强，实现绝对效率提升，通过跨类别语音内容重组生成多样化病理语音样本；其次，通过自适应联邦学习范式实现协作式效率突破，在隐私约束下最大化跨机构收益；最后，通过注视式跨模态融合模型实现表征效率优化，实现细粒度词级别对齐和语音-文本交互。评估于 ADReSSo 数据集上，FAL-AD 实现了 91.52% 的最新多模态准确率，超越所有集中式基线，展示了解数据效率困境的实用解决方案。我们的源代码已公开于 https://github.com/smileix/fal-ad。
引用
@article{arxiv.2602.14655,
title = {Breaking Data Efficiency Dilemma: A Federated and Augmented Learning Framework For Alzheimer's Disease Detection via Speech},
author = {Xiao Wei and Bin Wen and Yuqin Lin and Kai Li and Mingyang gu and Xiaobao Wang and Longbiao Wang and Jianwu Dang},
journal= {arXiv preprint arXiv:2602.14655},
year = {2026}
}
备注
5 pages, 1 figures, accepted by ICASSP 2026 conference