PrivFusion：面向分布式数据集的隐私保护多智能体框架用于和谐化
机器学习
2026-05-26 v1
摘要
临床数据的日益增多提升了机器学习的应用，但因涉及敏感健康信息，中心化数据聚合往往不可行。联邦学习（Federated Learning, FL）提供了分布式替代方案，但因机构数据之间的显著异质性，其采用受到限制，这使得跨站点分析的和谐化成为关键但常被忽视的前提条件。我们提出 PrivFusion，一个隐私保护的多智能体框架，用于在联邦训练前自动化结构化数据集的和谐化。PrivFusion 使用智能体分析本地数据，聚类跨站点语义相似特征，并提供迭代的转换建议以实现对齐。跨四个异质的 COVID-19 数据集的评估表明，PrivFusion 在有效且高效地实现多站点数据和谐化方面显著减少了手动工作量。
引用
@article{arxiv.2605.24249,
title = {PrivFusion: A Privacy-preserving Multi-Agent Framework for Harmonizing Distributed Datasets},
author = {Anisa Halimi and Liubov Nedoshivina and Kieran Fraser and Stefano Braghin},
journal= {arXiv preprint arXiv:2605.24249},
year = {2026}
}
备注
Accepted by IEEE CBMS 2026