学术背景与问题提出 随着数据隐私问题的日益突出，联邦学习（Federated Learning, FL）作为一种去中心化的机器学习范式，逐渐成为研究热点。联邦学习允许多个客户端在不共享数据的情况下协作训练一个全局模型，从而保护数据隐私。然而，现有的联邦学习方法通常假设每个客户端的数据都是完全标注的，这在实际应用中往往是不现实的，尤其是在标注能力有限的情况下。为了解决这一问题，联邦半监督学习（Federated Semi-Supervised Learning, FSSL）应运而生。FSSL 旨在利用大量未标注的数据进行知识挖掘，从而在保护隐私的同时提升模型性能。 然而，现有的 FSSL 方法主要依赖于数据增强来保持局部模型与全局模型之间的一致性，这导致了分类器的偏差，并且在未标注客户端数据分...

水平联邦学习中高效特征选择的新方法研究 近年来，随着联邦学习（Federated Learning, FL）逐渐成为一种保护数据隐私的分布式机器学习方法，如何在不同用户（即客户端）之间共享信息以训练高效的全局模型，吸引了广泛的关注。在水平联邦学习（Horizontal Federated Learning, HFL）中，所有客户端共享相同的特征空间，但各自的数据样本不同。然而，数据特征的冗余和维度灾难问题严重影响了模型的性能和训练效率。为此，特征选择（Feature Selection, FS）作为机器学习中的一种重要预处理技术，在去除冗余特征和增强模型性能方面具有突出的作用。本研究针对HFL场景下的特征选择问题提出了新方法，以解决这一领域的关键挑战。 论文来源 本论文题为 “Cost-Ef...

医学影像分割的模型异质半监督联邦学习 背景介绍 医学图像分割在临床诊断中具有至关重要的作用，它帮助医生识别和分析病情。然而，该任务通常面临敏感数据、隐私问题及昂贵的标注费用等挑战。尽管当前研究主要聚焦于个性化协作训练医学分割系统，但忽视了获取分割标注是耗时且费力的。如何在保持本地模型个性化的同时平衡标注成本和分割性能，已成为研究的一个重要方向。因此，本研究引入了一种新颖的模型异质半监督联邦学习框架。 论文来源 这篇论文题为“Model-Heterogeneous Semi-Supervised Federated Learning for Medical Image Segmentation”，由Yuxi Ma、Jiacheng Wang、Jing Yang和Liansheng Wang共同...

利用联邦学习检测心音异常的一项多机构合作研究 学术背景 心血管疾病（Cardiovascular diseases, CVDs）已经成为主要的死亡原因之一，特别在老年人口中，心血管健康问题亟待社会关注。早期筛查、诊断和预后管理对于预防住院具有重要意义。心音信号携带丰富的生理和病理信息，通过心音进行CVDs早期诊断具有容易获取、广泛存在和非侵入性等优势。近年来，人工智能（AI）在心音辅助诊断中的应用引起了广泛关注，自动心音听诊技术有助于快速、有效地评估心脏状态。然而，现有研究在应用过程中忽略了数据安全和隐私问题，尤其是在多机构数据合作时。 研究来源 本文由Wanyong Qiu, Chen Quan等人撰写，作者分别来自北京理工大学、日本东京大学教育生理学实验室、英国帝国理工学院等知名学术机构...