Starfish-FL：驾驭代理式联邦分析

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

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

联邦学习（FL）使得隐私保护的多站点临床研究成为可能，但编排、监控和解读联邦分析对于最需要这些能力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，这是一个面向跨孤岛医疗分析的多层智能体框架，其核心安全不变式为：大语言模型仅提供建议，不能独立触发具有实质性后果的操作。智能体分为三个层级运行。一个自主实验智能体通过命令行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，以及控制器智能体钩子生成各站点的摘要、异常值标记和收敛信号。三项混合安全策略——SafeStop、SafeAggregate 和 SafeTriage——在每个站点排除、提前停止和恢复操作背后设置确定性前置条件进行把关，因此在防护机制正确的前提下，大语言模型的错误不会导致不安全的状态转换。所有智能体功能均为可选启用，且可优雅降级为标准联邦学习模式，该平台还提供 21 个 Python 和 R 任务实现，内置统计诊断工具。在四个大语言模型提供商上评估，并采用重复运行置信区间，任务选择在托管模型下达到$～97\mathrm{\%}$ 的准确率，在线 SafeStop 策略在准确率无损失的情况下节省了 50–70% 的轮次，而安全策略验证显示在注入故障的条件下安全操作率为 100%，证实了确定性防护措施而非大语言模型本身保障了安全性。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，未经文章作者撰写或审阅。其目的是支持发现、帮助读者评估相关性，并协助相邻研究领域的读者理解本工作。本摘要旨在补充作者提供的摘要，后者仍然是论文的主要摘要。全文仍是权威的记录版本。点击此处了解更多。

点击此处评论本摘要的准确性、清晰度和实用性。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的通俗摘要，您必须拥有高级访问权限。