本文介绍了一种联邦学习框架，可以从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护，第一级别的隐私保护不在模型训练过程中移动或共享原始数据，第二级别的隐私保护使用差分隐私机制防止对模型的潜在隐私攻击，并在两个医疗应用程序上对我们的方法进行了全面评估，使用100万患者的真实世界电子健康数据，证明了联邦学习框架在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

Oct, 2019

本文提出了以三个真实的数据集为基础的FL算法实验基准及考虑性能和成本的经济模型，同时还引入了一个结合了FedProx和FedBN的FL方法FedPxN，其在性能方面优于其他FL算法，并只消耗比最省电的方法略高一些的功耗。

Jul, 2022

本研究探讨联邦学习在医疗应用中的优势，分析其如何能够解决医疗数据隐私、安全及所有权等挑战，讨论如何通过本地步骤和沟通轮数的调整来进一步提高模型的性能，并提供了理论证明和实验评估的支持。

Apr, 2023

本研究研究了在训练人工智能医疗模型时采用差分隐私的效果，结果表明差分隐私训练的数据与非差分隐私训练的数据相比，诊断精度没有明显区别，因此建议在训练诊断医疗AI模型时采用差分隐私以确保数据隐私。

Jun, 2023

本研究将差分隐私技术引入联邦学习框架以实现隐私保护的医学图像分类，证实了隐私保护与模型准确性之间的权衡存在，但我们证明了差分隐私的隐私预算的战略校准可以保持健壮的图像分类性能同时提供实质性的隐私保护。

Jun, 2023

通过在客户端层面的差分隐私，我们提出了一种适应性中介策略来在不损害隐私的情况下改善性能，通过将客户端分割为子客户端来缓解差分隐私引入的噪音，并使用两个公共数据集进行了实证评估，证明了该方法的有效性和性能改进。

Jul, 2023

心血管疾病（CVD）是全球死亡的主要原因，早期检测可显著改善患者预后。机器学习（ML）模型可以帮助早期诊断CVD，但其性能受到模型训练所使用数据的限制。隐私问题使得在医疗保健领域获取准确的ML模型训练数据更加困难。联邦学习（FL）是一种新兴的机器学习方法，它允许在不损害个体数据所有者隐私的情况下，使用来自多个信息源的数据进行模型训练。本综述文献对CVD检测中联邦学习的最新技术现状进行了概述。我们回顾了各种文献中提出的不同FL模型，并讨论了其优点和挑战。我们还将FL与传统集中式学习方法进行了比较，并强调了在模型准确性、隐私和数据分布处理能力方面的差异。最后，我们对CVD检测中FL的当前挑战和限制进行了批判性分析，并讨论了未来研究的潜在方向。总体而言，本综述旨在全面介绍CVD检测中联邦学习的最新技术现状，并凸显其提高CVD检测模型准确性和隐私保护的潜力。

Aug, 2023

通过评估五个FL框架的模拟和真实数据，本研究首次全面比较了工程和统计领域的FL框架，结果表明，相对于工程方法，统计FL算法在模型系数的估计上产生的偏差更小，且提供了方便的置信区间估计。然而，工程方法往往能够生成更准确的预测，有时甚至超过了中心汇总和统计FL模型。这项研究强调了两种方法的相对优势和劣势，并强调了未来FL应用中增加对两种方法的认识和整合的重要性。

Nov, 2023

通过分析医疗保健领域中已经存在的研究文献，本研究系统评估了联邦学习在提供隐私保护的同时维护医疗数据分析的完整性和可用性方面的效力，同时探讨了实际应用及其影响，突出未来的研究方向，旨在完善联邦学习的实现、增强数据安全协议，并将联邦学习拓展到更广泛的医疗应用领域，为未来的研究人员和实践者提供帮助。

May, 2024

本研究解决了医学领域隐私数据保护对数据共享的挑战，影响了医院间高精度辅助诊断模型的集成训练。提出了一种基于数据向量的医学隐私数据训练框架，使各医院能够在不交换私密数据的情况下，通过对预训练模型进行微调和数据向量计算，生成合成权重，从而显著提升模型性能。实验结果证明，该方法能够有效利用分散的私密数据资源，同时保护患者隐私。

Aug, 2024