面向心血管风险预测的通信高效联邦学习框架FedCVD++
机器学习
2025-10-28 v2 其他定量生物学
摘要
心血管疾病（CVD）全年致死超过1700万人，凸显了面向隐私保护预测系统的紧迫需求。我们引入FedCVD++，一种增强型联邦学习（FL）框架，集成了参数模型（逻辑回归、SVM、神经网络）和非参数模型（随机森林、XGBoost）用于冠心病风险预测。为解决关键FL挑战，我们提出了：（1）树子集采样将随机森林通信开销降低70%；（2）基于XGBoost的特征提取实现轻量级联邦集成；（3）联邦SMOTE同步解决跨机构类别不平衡问题。在Framingham数据集（4238条记录）上进行评估，FedCVD++实现了最先进的结果：联邦XGBoost（F1=0.80）超越了其集中式对手（F1=0.78），联邦随机森林（F1=0.81）与非联邦版本持平。此外，我们的通信高效策略在保持95%准确率的同时将带宽消耗降低3.2倍。与现有FL框架相比，FedCVD++在F1分数上提升最高可达15%，并在多机构部署中表现出卓越的可扩展性。本工作首次将非参数模型实际集成到联邦医疗系统中，提供了一个在真实临床约束下验证的隐私保护解决方案。
引用
@article{arxiv.2507.22963,
title = {FedCVD++: Communication-Efficient Federated Learning for Cardiovascular Risk Prediction with Parametric and Non-Parametric Model Optimization},
author = {Abdelrhman Gaber and Hassan Abd-Eltawab and John Elgallab and Youssif Abuzied and Dineo Mpanya and Turgay Celik and Swarun Kumar and Tamer ElBatt},
journal= {arXiv preprint arXiv:2507.22963},
year = {2025}
}
备注
Need to add more results