Starfish-FL：驾驭智能体化联邦分析

《ACM Transactions on Computing for Healthcare》：Starfish-FL: Harnessing Agentic Federated Analytics

　　联邦学习（FL）能够实现隐私保护的多站点临床研究，但编排、监控和解读联邦分析对于最需要这些功能的生物统计学家和临床医生来说仍然遥不可及。我们提出了 Starfish-FL，一个用于跨孤岛医疗保健分析的多层智能体框架，其核心安全不变式为：大语言模型（LLM）仅具有咨询性质，无法独立触发具有实际影响的动作。智能体在三个层级上运行。一个**自主实验智能体**通过 CLI 工具编排端到端实验；一个**嵌入式路由智能体**处理自适应聚合、提前停止和故障分类；**控制器智能体钩子**则生成各站点摘要、异常标记和收敛信号。三种混合安全策略——SafeStop、SafeAggregate 和 SafeTriage——为每个站点排除、提前停止和恢复动作设置了确定性前提条件的门控，因此在大语言模型的错误下不会导致不安全的状态转换（前提是守护条件正确）。所有智能体功能均为可选启用，并优雅降级为标准联邦学习，平台提供 21 个内置统计诊断的 Python 和 R 任务实现。在四个大语言模型提供商上评估并带有重复运行的置信区间，任务选择在托管模型下达到约 97% 的准确率，在线 SafeStop 策略可节省 50–70% 的轮次且无精度损失，安全策略验证显示在注入故障条件下安全动作率为 100%，证实了安全性由确定性守护机制而非大语言模型来保障。