面向跨医院协作的统一垂直联邦知识传递框架——提升 Unitrans

跨医院合作有望缓解不同地区医疗资源之间的差异。然而，严格的隐私法规禁止医院之间直接共享敏感患者信息。垂直联邦学习（VFL）提供了一种新型隐私保护机器学习范式，最大化跨多家医院的数据效用。传统 VFL 方法主要惠及数据重叠的患者，使数据不重叠的患者缺乏保障的医疗预测服务提升。虽然某些知识传递技术可增强非重叠患者的预测性能，但在重叠与非重叠患者属于不同领域的情况下，仍面临特征异构性和标签异构性等挑战。为此，我们提出一种新型统一垂直联邦知识传递框架（Unitrans）。本框架包含三个关键步骤：首先，通过有效的垂直联邦表示学习方法提取重叠患者的联合特征表示；其次，每家医院离线学习本地知识传递模块，以域自适应方式将来自重叠患者的联合表示知识传递至本地非重叠患者的丰富表示；最后，医院利用这些丰富的本地表示提升各种下游医疗预测任务的性能。在真实医疗数据集上进行的实验表明，该框架在同一域内和跨域知识传递方面均具有双重有效性。\method 的代码已 disponible at \url{https://github.com/Chung-ju/Unitrans}。