目录
摘要
1. 引言
2. 相关工作
2.1 联邦学习中的Non-IID问题
2.2 差分隐私联邦学习
2.3 医疗联邦学习的隐私攻击
3. 方法论
3.1 问题定义与系统架构
3.2 自适应联邦聚合
3.3 隐私会计与攻击防御
4. 实验设置
4.1 数据集与Non-IID模拟
4.2 模型架构与超参数
4.3 对比方法
4.4 评估指标
5. 实验结果与分析
5.1 隐私-效用权衡
5.2 Non-IID鲁棒性分析
5.3 攻击验证与隐私保证
5.4 通信效率
6. 结论与展望
一、完整项目实现
1. 项目结构
2. 核心代码实现
摘要
联邦学习（Federated Learning, FL）为跨机构医学影像协作分析提供了隐私保护范式，但在实际医疗场景中面临双重挑战：不同医疗机构间的数据分布异构性（Non-IID）与差分隐私（Differential Privacy, DP）引入的噪声导致模型性能显著下降。针对现有研究多采用均匀隐私预算分配、忽视机构异构性差异的局限，本文提出了一种自适应异构差分隐私联邦学习框架（Adaptive Heterogeneous DP-FL）。该框架通过Wasserstein距离量化机构间分布偏移程度，建立异构性感知层；基于指数衰减函数实现隐私预算的自适应分配，为高偏移机构分配较大预算以保障精度，为低偏移机构分配较小预算以增强隐私；结合Top-k梯度压缩与误差反馈机制降低通信开销。在ISIC 2019皮肤病变分割数据集上的实验表明，在强Non-IID场景（Dirichlet α=0.1）下，本方法相比均匀DP机制Dice系数提升3.2%（p<0.01），在相同效用水平下节省隐私预算40%，并将通信开销降低65%。成员推理攻击（MIA）与梯度反演攻击的验证表明，本框架在提升模型性能的同时保持了强隐私保证。
关键词：联邦学习；差分隐私；医学影像分割；Non-IID；自适应隐私分配；Wasserstein距离
1. 引言
随着深度学习