基于信任的联邦学习：用于e健康中骨骼愈合阶段解释的安全框架
机器学习
2026-03-10 v1 人工智能
摘要
本文提出了一种基于信任的联邦学习（FL）框架，用于利用从频率响应数据中导出的谱系特征来解释骨骼愈合阶段。 primary objective is to address the challenge posed by either unreliable or adversarial participants in distributed medical sensing environments. 该框架采用多层感知器模型，在模拟客户端上进行训练，基于Flower FL框架进行训练。该方法将自适应信任分数缩放与过滤（ATSSSF）机制与指数移动平均（EMA）平滑技术相结合，用于评估、验证和过滤客户贡献。研究了两种信任得分平滑策略：一种使用固定因子，另一种根据信任得分可变性进行自适应。信任得分较低的客户被排除在聚合之外，并在其可靠性得到改善后重新加入，从而确保模型的完整性同时保持包容性。已使用标准分类指标对ATSSSF与基线Federated Averaging策略进行性能比较。实验结果表明，自适应信任管理能够通过缓解受损客户的负面影响，同时保持稳健的检测能力，从而提高训练稳定性和预测性能。该工作为联邦医疗感知中的自适应信任机制可行性提供了依据，并将临床跨数据集聚合扩展性 identified as a future research direction.
引用
@article{arxiv.2603.06646,
title = {Trust Aware Federated Learning for Secure Bone Healing Stage Interpretation in e-Health},
author = {Paul Shepherd and Tasos Dagiuklas and Bugra Alkan and Joaquim Bastos and Jonathan Rodriguez},
journal= {arXiv preprint arXiv:2603.06646},
year = {2026}
}