稳健且公平的临床联邦学习中拓扑帕累托控制的联邦均衡框架

arXiv:2609.11937v1 公告类型：新 摘要：在多中心临床网络中部署联邦学习（FL）面临着“知识主导”的挑战，其中大容量中心自然会压倒少数社区节点，隐含地将较小群体的独特临床模式视为异常值。现有的几何防御提供了安全基线，但仍未解决效率与公平的困境。为了弥补这一差距，我们提出了美联储均衡，这是一个将范式从简单防御推进到拓扑均衡的框架。与传统聚合器不同，Fed-Equilibrium 实现了顺序架构协同。它采用两阶段梯度控制级联：第一阶段（几何质量保证）通过余弦相似性漏斗强制方向一致性，以过滤恶意噪声，创建稳定的流形；然后，第二阶段（拓扑帕累托控制）通过识别最佳帕累托拐点来主动调节已验证的贡献。我们在整合加拿大 (CNODES) 和美国 (SyntheticMass) 注册机构的两国模拟中验证了该框架。实验结果表明，该系统可以同时保护网络免受对抗性分歧的影响，同时容纳代表性不足的信号。值得注意的是，少数美国发言者（占数据量不到 3%）实现了与数据丰富的加拿大中心相当的深度融合。这证实了美联储均衡有效地对抗了“知识主导地位”，建立了一个真正的“知识共享”，其中全球普遍性不会以牺牲当地临床代表性为代价。