联邦迁移
Parent: ai_keywords
联邦迁移（Federated Transfer Learning, FTL）
核心定义
联邦迁移是联邦学习与迁移学习的融合范式，在遵守数据隐私法规（如HIPAA、GDPR）的前提下，通过跨域知识迁移解决联邦场景中的数据异质性（Non-IID）与标签稀缺问题。其核心在于：源域客户端（拥有丰富标注）与目标域客户端（数据分布偏移或标注不足）协同，利用源域知识优化目标域模型，而原始数据始终保留在本地。
关键技术点
- 隐私保护域适配：在联邦框架下，通过对抗训练或最大均值差异（MMD）对齐源域与目标域的特征分布，同时利用差分隐私（DP）或安全多方计算（SMC）防止中间表示泄露患者信息。
- 异构模型迁移：允许客户端使用不同架构（如CNN vs Transformer），通过知识蒸馏或参数级映射（如权重插值）实现跨架构知识传递。
- 联邦知识蒸馏：源域教师模型输出的软化标签（Soft Label）作为迁移媒介，目标域学生模型在不访问原始梯度的情况下学习，适用于跨模态（如影像→基因）场景。
- 样本重加权与个性化：针对各客户端数据分布差异，动态调整迁移权重，结合元学习（Meta-Learning）为每个目标域生成个性化模型。
- 高效安全聚合：采用梯度压缩、秘密共享等技术降低通信开销，同时确保迁移过程中不暴露个体特征（如年龄、病变部位）。
医学/神经科学应用场景
脑卒中病灶分割的跨中心迁移（基于首都医科大学神经病学系合作背景）
宣武医院拥有大量高分辨率MRI及精细标注（源域），而天坛医院仅存少量粗标注或新采集的3D-DTI数据（目标域）。传统联合训练受限于伦理与隐私协定（数据不能出医院）。联邦迁移策略如下：
- 宣武医院本地训练病灶分割模型，并通过联邦蒸馏将软化标签（含病灶边界概率）加密传送至天坛医院；
- 天坛医院利用本地少量标注进行特征适配，通过对抗性分布对齐校正设备差异（如GE vs Siemens MRI），同时引入DP保护梯度；
- 最终，天坛医院在零或少标注下获得与宣武医院精度相近（≥90% Dice）的模型，且所有患者数据未离开本院网络。
该框架可推广至帕金森病步态异常检测、癫痫脑电节律分类等场景，实现多中心隐私协同建模。
