基于FedAvg的CTMC危害模型用于联邦桥梁 deterioration 评估

桥梁定期检查记录包含关于公共基础设施的敏感信息，在现有数据治理约束下，跨组织数据共享不可行。我们提出了一个联邦框架，用于估计桥梁deterioration Continuous-Time Markov Chain(CTMC)危害模型，使各市镇能够在不传输原始检查记录的情况下协同训练共享的基准模型。每个 User 持有本地检查数据，并对三个deterioration方向转换——Good$\to$Minor、Good$\to$Severe、以及 Minor$\to$Severe——构建以桥梁年龄、海岸距离和甲板面积为协变量的对数线性危害模型。通过在CTMC对数似然函数上进行小批量随机梯度下降进行本地优化，仅上传 12 维伪梯度向量至中心服务器。服务器采用样本加权Federated Averaging(FedAvg)带动量和梯度裁剪对 User 更新进行聚合。本文所有实验均在已知参数集生成的全合成数据上进行，数据中包含区域特异性异质性，实现联邦收敛行为的受控评估。异质 User 的仿真结果显示，平均负对数似然一致收敛，聚合梯度范数随 User 规模增大而减小。此外，联邦更新机制提供了天然的参与激励：注册其本地检查数据集的用户可在共享技术标准平台上获得定期更新的全局基准参数——这些参数无法仅凭本地数据获得——从而在不妥协数据主权的前提下实现基于证据的生命周期规划。