面向生物医学Omics数据的去中心化AI的嵌入式隐私
机器学习
2026-03-31 v1 分布式、并行与集群计算
摘要
数据驱动方法在生物医学领域的快速采用加剧了对隐私、治理和监管的关注，限制了原始数据共享的可能性，并阻碍了为临床相关AI组装具有代表性的队列。这种格局需要实用、高效的隐私解决方案，因为加密防御常常造成高额开销，而差分隐私又可能降低性能，导致实际情境下产生亚最优结果。本文提出一种基于隐式神经表征(Implicit Neural Representations)的轻量级联邦学习方法INFL，以解决这些挑战。我们的做法将可插即式、坐标条件模块嵌入客户端模型中，将密钥直接嵌入架构，并支持异构站点之间的无缝聚合。在包括生物医学Omics任务的广泛应用场景中，如bulk蛋白质组学中规模化队列的分类、single-cell转录组学中对扰动预测的回归以及空间转录组学和多组学数据的聚类（涵盖公共数据和私有数据），我们展示INFL在保持实用性的同时实现了强大的、可控的隐私，保留了下游科学和临床应用所需的性能。
引用
@article{arxiv.2603.28334,
title = {Key-Embedded Privacy for Decentralized AI in Biomedical Omics},
author = {Rongyu Zhang and Hongyu Dong and Gaole Dai and Ziqi Qiao and Shenli Zheng and Yuan Zhang and Aosong Cheng and Xiaowei Chi and Jincai Luo and Pin Li and Li Du and Dan Wang and Yuan Du and Xudong Xing and Jianxu Chen and Shanghang Zhang},
journal= {arXiv preprint arXiv:2603.28334},
year = {2026}
}