摘要
验证联邦学习框架在真实临床数据上的有效性是从概念验证到实际多中心医疗环境部署的重要一步。之前的架构研究（Tertulino 和 Alencar, 2026）表明，服务器端自适应优化作为差分隐私噪声的时间去噪器，解决了原始工作中的一个开放挑战（Tertulino, 2025）。该研究使用合成数据，并明确指出真实世界验证是未来的优先方向。
本研究通过在五个公开的真实心血管数据集（Framingham, Cleveland, Hungarian, Switzerland 和 Long Beach VA）上验证 FedCVR 框架来填补这一空白，这些数据集被协调到 13 属性的 UCI 心脏病模式，并配置为异构联邦场景，采用留一机构交叉验证。结果表明，FedCVR 在真实数据上保持其自适应优势，达到 79.2% 的 F1 分数和 0.96 的 AUC，在操作隐私预算下（噪声倍增器 = 0.8，隐私预算 epsilon 约为 4.2），并在所有评估指标上显著优于标准 FedAvg（成对 t 检验，所有 p 值 < 0.05）。
结论
本研究证明了在真实世界心血管数据上应用自适应联邦聚合的有效性，为未来在医疗保健中的隐私保护数据共享提供了重要的实证支持。
博主点评： 本文通过在真实数据集上的实验验证了联邦学习的有效性，展示了自适应优化在差分隐私框架下的优势，为医疗领域的数据隐私保护提供了新的思路。未来的研究可以进一步探索如何优化隐私预算与模型性能之间的平衡。