横向联邦学习
Parent: ai_keywords
横向联邦学习（Horizontal Federated Learning）
核心定义
横向联邦学习是联邦学习的一种典型范式，适用于多个参与方拥有相同特征空间（即数据特征维度一致）但样本空间不重叠的场景。其核心目标是在不共享原始本地数据的前提下，通过协作训练得到一个全局模型，同时保障数据隐私与模型性能。在医疗领域，横向联邦学习常用于多个医院之间具有相同临床指标（如影像学参数、实验室检验）但患者群体互斥的情况。
关键技术点
-
安全聚合（Secure Aggregation）
采用安全多方计算或同态加密技术，对客户端上传的模型更新（如梯度、参数）进行加密聚合，防止服务器或其他参与方推断单个客户端的原始数据。典型算法为联邦平均（FedAvg），服务器对加权平均后的参数进行更新。 -
差分隐私（Differential Privacy）
在客户端本地训练或上传参数时，引入拉普拉斯或高斯噪声，使输出结果对单个样本不敏感，提供可量化的隐私保护水平（ε-DP），避免模型逆向泄露患者敏感信息。 -
客户端选择与系统异构容错（Client Selection & Heterogeneity Tolerance）
针对各医疗中心计算资源、网络带宽、数据量差异大的特点，采用公平性感知的客户端采样策略（如基于声誉或贡献度），并设计异步通信或梯度压缩机制，缓解“掉队者”问题，提升训练鲁棒性。 -
通信效率优化（Communication Efficiency）
通过梯度稀疏化、量化（如1-bit SGD）或知识蒸馏等策略，减少每轮通信的比特量，降低对医院内网带宽的依赖，使横向联邦在跨机构场景中具备实际落地可行性。
医学/神经科学应用场景
基于横向联邦学习的多中心脑卒中早期预警模型训练
以首都医科大学附属多家医院为例：各医院均采集急性缺血性脑卒中患者的CT/MRI影像、NIHSS评分、血压及实验室数据（特征空间完全一致），但患者来源互斥（样本无交叉）。利用横向联邦学习，各院在本地训练深度学习模型（如3D-ResNet用于影像分割），仅将加密后的梯度上传至中心服务器进行FedAvg聚合。最终得到的全局模型能够在保护患者隐私、满足医院数据不出院法规的前提下，整合多中心多样化病例，有效提升对早期卒中分型（如大血管闭塞是否合并侧支循环）的预测精度，同时降低因单一中心样本量小导致的过拟合风险。该框架还可扩展至多中心癫痫发作预测（共享脑电特征）、帕金森运动症状评估（共享步态加速度计特征）等神经疾病协同分析场景。
