面向隐私保护临床预测与治疗优化的混合型联邦学习与分块学习
机器学习
2026-02-18 v1 人工智能
摘要
协作临床决策支持常受制于治理和隐私规则，禁止跨机构池化患者级别记录。我们提出了一种混合隐私保护框架，将联邦学习（FL）和分块学习（SL）结合起来，支持在不共享原始数据的情况下进行决策导向的医疗建模。该方法在客户端保留特征提取干线，同时在协调服务器上托管预测头部，实现共享表征学习，并暴露一个明确的协作边界，可在此处应用隐私控制。我们并非假设分布式训练本质上是私有的，而是对 cut 层表征的成员推断进行了实际审计，并研究了基于激活裁剪和加性高斯噪声的轻量级防御措施。我们在三个公开临床数据集上进行评估，数据集采用非独立同分布（non-IID）客户端划分，并采用统一的管道进行评估，沿四个与部署相关的维度评估性能：事实预测效用、容量约束下的提升排序、审计后的隐私泄露和通信开销。结果表明，混合 FL-SL 变体在预测性能和面向决策的排序行为方面与单独的 FL 或 SL 相当，同时提供了可调的隐私-效用权衡，可在不要求共享原始数据的情况下降低审计泄露。总体而言，本工作将混合 FL-SL 定位为隐私保护医疗决策支持的实用设计空间，在此场景中必须在效用、泄露风险和部署成本之间进行显式权衡。
引用
@article{arxiv.2602.15304,
title = {Hybrid Federated and Split Learning for Privacy Preserving Clinical Prediction and Treatment Optimization},
author = {Farzana Akter and Rakib Hossain and Deb Kanna Roy Toushi and Mahmood Menon Khan and Sultana Amin and Lisan Al Amin},
journal= {arXiv preprint arXiv:2602.15304},
year = {2026}
}