中心化训练去中心化执行

Parent: ai_keywords

中心化训练去中心化执行（Centralized Training with Decentralized Execution, CTDE）

核心定义

中心化训练去中心化执行（CTDE）是一种机器学习框架，在训练阶段利用中心服务器聚合全局数据或梯度，训练一个统一的模型；在推理（执行）阶段，各节点仅依赖本地局部观测独立进行决策，无需实时通信。该范式兼顾了训练时的全局信息优势与执行时的低延迟、隐私保护特性，广泛用于多智能体系统、联邦学习及边缘智能场景。

关键技术点

• 联合训练与局部执行：通过全局经验池（如多智能体强化学习中的QMIX/QTRAN算法）实现中心化价值函数学习，推导出每个智能体仅基于自身观测的独立策略，消除执行时的通信依赖。
• 通信高效训练：采用梯度压缩（如Top-K稀疏化）、异步联邦平均（FedAvg）等策略降低带宽占用，适应医学数据跨机构传输的合规要求。
• 隐私保护机制：结合差分隐私（DP-SGD）或安全多方计算（SMPC），在中心训练阶段确保患者数据不出域，同时保持模型效用。
• 模型量化与剪枝：将训练后的浮点模型转换为低位宽整数模型，适配边缘设备的计算与存储约束（如脑电图实时处理芯片）。
• 异构适应：使用域对抗训练或个性化联邦学习（如pFedMe），解决不同医疗机构数据分布偏移导致的模型泛化问题。

医学/神经科学应用场景

以首都医科大学神经病学研究重点——急性缺血性脑卒中为例：

• 中心化训练：首都医科大学附属宣武医院等大型中心，联合数十家协作医院，通过联邦学习框架训练多模态（CT灌注、DWI-MRI、NIHSS评分、血糖等）预后预测模型。数据本地化处理，仅上传加密梯度，符合《健康医疗大数据标准》。
• 去中心化执行：训练完成的轻量化模型（经量化+知识蒸馏）部署至基层医院CT室或移动卒中单元（MSU）的边缘终端。患者入院后，本地上传实时影像与生命体征，模型在3秒内输出“溶栓获益概率”及“出血转化风险”，辅助现场医师快速决策，避免因中心通信延迟或网络中断延误治疗窗口。
  该范式类似“神经回路”的集中学习-分散执行机制，契合脑区局部处理与全身协调的神经控制逻辑。其他适用领域包括：癫痫发作预测（可穿戴设备本地推理）、帕金森病步态分析（边缘处理器实时反馈）。