联邦学习用于HIV筛查：在真实非独立同分布多中心数据上的隐私性与公平性评估

《Diagnostics》：HIV-PrivFed: Privacy–Utility–Fairness-Aware Federated Learning for HIV Risk Stratification and Testing Prioritization Under Non-IID Clinical Heterogeneity

　　

摘要

背景/目的： 从常规收集的行为学数据中进行HIV筛查有助于在无法集中管理敏感记录的诊所中优先安排检测；然而，联邦模型在真实非独立同分布数据上的实用性、隐私性和客户端级公平性尚未得到充分表征。 方法： 利用Sialon-II队列（涵盖13个欧洲城市中男男性行为者的队列，13个自然客户端；横向联邦学习），我们对十种传统分类器和一个集中式残差MLP进行了基准测试，比较了仅本地、FedAvg和FedProx基线，并评估了HIV-PrivFed（一种基于差分隐私的FedProx算法，采用逐客户端Rényi核算和客户端级公平性审计（公平性仅被审计而非强制执行））；安全聚合开销在模拟中进行了基准测试。 结果： 最佳传统模型的AUROC达到0.696（AUPRC为0.235），在统计上与原始划分上的逻辑回归无法区分。联邦学习优于仅本地学习（AUROC分别为0.607对0.565）。达到的最差客户端隐私预算（ = 22.1–224.1）远宽松于名义目标，且不提供有意义的保证；在这些预算下准确率得以保留（AUROC为0.629–0.650），但在和4时降至0.553和0.524。客户端级估计具有高度不确定性。 结论： 在这一小队列环境中，有用的准确率和有意义的隐私保证并未共存；在部署前需要更大的队列和外部验证。