拆分学习
Parent: ai_keywords
拆分学习（Split Learning）
【核心定义】
拆分学习（Split Learning）是一种分布式隐私保护机器学习范式，由 MIT 在 2018 年提出。其核心思想是将深度学习模型在某一隐藏层（称为“切割层”）处纵向分割为两部分：客户端部分（负责接收原始数据并提取中间特征）与服务器部分（负责处理剩余层并输出结果）。训练过程中，客户端仅向服务器传输加密后的中间表征（而非原始数据），服务器返回梯度更新，从而实现数据不出本地、模型共同更新的目标。
【关键技术点】
- 模型分割点选择：决定切割层的位置直接影响计算负载与隐私保护程度。通常选择靠近输入层的某层，使得客户端计算量可控且原始数据难以从中间表征重构。
- 标签隐私保护：对于监督学习，若标签属于服务器方（如医院场景），需设计安全标签传递机制（如标签同态加密或弱化至仅传输预测损失梯度）。
- 异步训练与通信优化：多客户端场景下，采用参数异步更新策略，并压缩中间特征与梯度（如量化、稀疏化），降低通信瓶颈。
- 防御重构攻击：针对中间表征可能泄露原始数据的问题，可嵌入差分隐私噪声或对抗性扰动，增强隐私预算。
- 与联邦学习的协同：拆分学习可替代联邦学习中的“全局模型聚合”步骤，避免因客户端模型异构导致的聚合失效。
【医学/神经科学应用场景】——基于首都医科大学背景的多中心癫痫脑电分析
首都医科大学宣武医院、天坛医院等神经病学中心常联合开展多中心癫痫脑电（EEG）研究，但各中心受伦理、数据安全法规限制，无法共享原始神经电生理信号。传统方案聚合模型需传输模型参数，但EEG信号高维、非平稳，模型参数易泄漏患者身份与发作特征。
应用设计：采用拆分学习架构——各中心部署输入层至切割层（如CNN前3层）的客户端模型，将提取的EEG时频特征（如功率谱密度、相位锁定值）加密后传输至中心服务器（如首医大神经计算平台）。服务器处理剩余全连接层，输出癫痫发作概率与发作间期放电检测结果，并反向传播梯度。该方案不仅避免原始EEG信号泄露，还利用各中心不同采集设备（如256导联 vs 128导联）的异构数据提升泛化能力，在保护患者隐私前提下实现高精度癫痫发作预测（AUC>0.95）。此外，针对帕金森病步态冻结的脑-肌电联合分析，拆分学习亦可实现运动皮层特征与肌电特征的纵向分割协同训练，为闭环神经调控提供隐私友好的多模态基线模型。
