跳到正文
arXiv · 机器人与计算机视觉· Chamani Shiranthika, Hadi Hadizadeh, Parvaneh Saeedi·· 17 天前AI 评分72

MuCALD-SplitFed:用于隐私保护的因果 - 潜在扩散多任务分割联邦学习框架

MuCALD-SplitFed: Causal-Latent Diffusion for Privacy-Preserving Multi-Task Split-Federated Medical Image Segmentation

AI 导读

针对医疗联邦学习中客户端任务单一、标准方法难以收敛及存在隐私漏洞的问题,该研究提出了 MuCALD-SplitFed 框架。该方法结合因果表征学习与潜在扩散技术,在多任务分割实验中实现了稳定收敛并优于现有个性化与多任务联邦学习方法,同时有效降低了分割点处的信息泄露风险,抵御重构与成员推断攻击。论文已被 IEEE ICIP 2026 录用并在口头环节展示,代码仓库已公开。

来源:arXiv · 机器人与计算机视觉 · arxiv.org