分布鲁棒聚类联邦学习：一种在医疗保健领域的案例研究

本文针对跨硅盒联邦学习中异构数据分布的挑战，提出一种新型算法，称为跨硅盒鲁棒聚类联邦学习（Cross-silo Robust Clustered Federated Learning, CS-RCFL）。我们的方法利用Wasserstein距离在每个客户的经验分布周围构建模糊集合，以捕捉本地数据中可能的分布偏移，从而评估最坏情况下的模型性能。随后，我们提出一种模型无关的整数分数规划，以确定客户在联合体中的最优分布鲁棒聚类，从而避免由统计上异构客户数据集引起的局部模型偏差，并对线性和逻辑回归模型进行分析。最后，我们讨论了一个确保客户分布隐私的联邦学习协议，这在客户是医疗机构时尤为关键。我们在合成数据和真实世界的医疗数据上评估了该算法。