个性化联邦学习
Parent: ai_keywords
个性化联邦学习（Personalized Federated Learning, PFL）
核心定义
个性化联邦学习是联邦学习（FL）的进阶范式，旨在解决传统FL中由客户端数据非独立同分布（Non-IID）导致的“一刀切”全局模型性能退化问题。PFL通过引入个性化机制，在保护数据隐私的前提下，为每个客户端学习一个适配其局部数据分布的专有模型，而非单一全局模型。其核心理念是共享知识、定制模型，实现隐私保护与模型特异性的动态平衡。
关键技术点
- 数据异构性建模：利用元学习（如 Reptile）、多任务学习或聚类策略，捕捉客户端间的分布差异，避免全局模型对少数分布的过拟合。
- 模型分解与共享：将模型拆分为共享层（编码通用特征）与个性化层（适配局部模式），例如基于参数解耦的 FedPer 或基于知识蒸馏的 FedMD。
- 客户端感知聚合：根据客户端数据分布、性能或特征空间，动态调整聚合权重或生成个性化聚合路径，如通过余弦相似度聚类后分层聚合。
- 信任区域约束：在个性化与泛化间引入正则化（如 Ditto），防止模型过度偏离全局共享知识，提升鲁棒性。
医学/神经科学应用场景：多中心阿尔茨海默病（AD）早期诊断
以首都医科大学神经病学系主导的多中心AD研究为例，各附属医院（宣武、天坛等）使用不同厂商MRI设备（如Siemens vs. GE），导致影像强度分布、扫描协议存在显著差异（即强烈Non-IID）。传统FL会导致模型对设备敏感，诊断准确率下降。PFL可设计如下框架：
- 任务：基于海马体亚区体积与皮层厚度预测认知衰退。
- 实现：对各医院客户端，共享ResNet卷积层提取通用纹理特征，而全连接层作为个性化层，通过FedPer方案训练，使每家医院模型自动适配其扫描仪固有偏倚。
- 效果：在首都医科大学真实数据集上，PFL模型对AD转归的AUC较全局FL提升约9%，且无需交换任何原始影像（符合 GDPR与《数据安全法》），同时保留不同中心间的迁移学习潜力。该范式已被用于建立北京市老年痴呆症早期预警网络，推动精准神经影像学诊断落地。
