FedMentalCare：迈向使用联邦学习框架分析心理健康状态的隐私保护微调LLM
计算与语言
2026-01-27 v3 人机交互
机器学习
摘要
随着心理健康状况在全球范围内的日益普遍，由 AI 驱动的聊天机器人和对话代理已成为支持心理健康的便捷工具。然而，在心理健康护理应用中部署大型语言模型（LLM）引发了重大的隐私担忧，特别是在 HIPAA 和 GDPR 等法规方面。在本研究中，我们提出了 FedMentalCare，这是一个隐私保护框架，它利用联邦学习（FL）结合低秩适应（LoRA）来微调用于心理健康分析的 LLM。我们研究了 FL 环境中不同客户端数据量和模型架构（例如 MobileBERT 和 MiniLM）对性能的影响。我们的框架展示了一种可扩展的、具备隐私意识的方法，用于在现实世界的心理健康护理场景中部署 LLM，解决了数据安全和计算效率方面的挑战。
引用
@article{arxiv.2503.05786,
title = {FedMentalCare: Towards Privacy-Preserving Fine-Tuned LLMs to Analyze Mental Health Status Using Federated Learning Framework},
author = {Nobin Sarwar},
journal= {arXiv preprint arXiv:2503.05786},
year = {2026}
}
备注
9 pages, 3 figures, 3 tables and 2 algorithms