通过医疗领域的同行驱动客户声誉提升联邦生存分析
机器学习
2025-05-23 v1
摘要
联邦学习 (FL) 通过在不泄露患者数据隐私的前提下实现跨机构协作模型训练，为数字健康领域提供了巨大的潜力。然而，跨机构的数据异构性、声誉缺失以及不可靠的贡献仍是主要挑战。本文提出一种健壮、同行驱动的声誉机制，用于医疗领域的联邦学习，采用混合通信模式将去中心化同行反馈集成到基于聚类的噪声处理中，以提升模型聚合。关键在于，我们的方法通过对客户端侧模型更新应用差分隐私来实现联邦聚合与声誉机制的解耦，确保在声誉计算期间敏感信息保持受保护，而未经修改的更新仍发送给服务器进行全局模型训练。我们采用 Cox 比例风险模型进行跨多个联邦节点的生存分析，本框架通过基于准确度指数测量的局部性能改进动态调整信任得分，以解决数据异构性和声誉不足问题。在合成数据集和 SEER 数据集上的实验评估表明，我们的方法持续实现高且稳定的 C-index 值，有效降低噪声客户端更新的权重，并优于缺乏声誉系统的 FL 方法。
引用
@article{arxiv.2505.16190,
title = {Enhancing Federated Survival Analysis through Peer-Driven Client Reputation in Healthcare},
author = {Navid Seidi and Satyaki Roy and Sajal Das},
journal= {arXiv preprint arXiv:2505.16190},
year = {2025}
}