资源自适应协作学习框架

公平又护隐私

为医疗AI协作学习提供公平参与机制，动态适配资源有限与充足机构，促进隐私安全的高效模型共享。

张飞龙 · 翟德明 · Bai, Guo · Jiang J. · Ye, Qixiang · 季向阳 · 刘贤明

Nature Communications 2025

技术优势

公平参与

框架动态适配不同机构的计算能力，资源有限的机构也能有效参与联邦学习，不再因算力不足而掉队。

模型精度高

通过资源自适应机制，模型在异构资源环境下仍能保持较高准确率，优于不区分资源差异的传统联邦学习。

护隐私

沿用联邦学习无需共享原始患者数据的特性，在协作训练过程中保护患者隐私。

应用场景

• 医疗AI模型训练：训练医疗AI模型时，让算力不足的医院也能获得同等质量的模型，减少误诊风险。
• 跨机构协作学习：不同机构可在不共享数据的前提下联合建模，同时平衡各方算力差异。
• 公平联邦学习系统：替代传统联邦学习中资源充足的机构主导训练的做法，让资源有限者也能公平受益。