World Sleep Industry ENCYCLOPEDIA

睡眠数据联邦学习服务

6.4.2

定义、架构与适用范围

睡眠数据联邦学习服务,是让多个机构或终端在本地保留原始睡眠数据,通过交换受控的模型更新、统计量或加密中间结果,共同训练或改进模型的技术与运营服务。典型流程由协调方下发模型和训练任务,参与方在本地计算,协调方再聚合合格更新并形成新版本。它减少集中复制原始数据的需要,但仍会产生模型、梯度、参数、日志和参与元数据等新资产。

服务可分为跨机构联邦和跨设备联邦。前者常用于医院、睡眠中心、研究机构或企业之间的有限参与协作,节点相对稳定但治理复杂;后者可覆盖大量可穿戴设备、手机或家庭网关,节点数量大、在线不稳定且算力差异明显。联邦学习适合目标和特征能够协调、数据不宜集中而各方愿意共同建模的任务,不适合用来掩盖目的不清、标签不可比或缺乏合法处理基础的项目。

任务设计与参与方责任

启动前应明确预测或分析目标、目标人群、输入输出、临床或业务用途、模型所有权和退出机制,并画出协调方、参与节点、密钥服务、模型仓库、评测方与下游部署者的责任。需要约定谁能发起轮次、选择客户端、查看单个更新、调整超参数、批准模型和处理异常。原始数据留在本地并不意味着没有跨方处理活动,也不自动消除告知、授权、伦理和合同责任。

每个节点应声明数据来源、设备与算法版本、纳排规则、标签方法、时间范围、样本规模和质量控制。睡眠数据可能来自 PSG、活动记录、心率血氧、音频、问卷或日志;同名变量在不同机构可有不同单位、采样率和参考标准。服务方应提供统一数据字典、特征代码、标签规范和本地预检,但只收集实现协调、质量和安全所需的最少元数据。

异质数据、训练与通信

联邦数据通常不是独立同分布:不同节点可能对应不同年龄、疾病谱、设备、夜间环境、语言、班次或转诊路径,样本量也高度不平衡。简单按样本量平均可能让大节点主导模型,也可能掩盖小节点和少数人群的失败。设计应比较集中基线、本地基线与联邦结果,评估节点间漂移、收敛速度、个性化需求和全局—局部性能,而不是只报告一个总体准确率。

训练协议需记录初始化模型、本地轮数、批量大小、学习率、客户端抽样、聚合方法、压缩、超时、重试和停止规则。跨设备场景还要控制电量、带宽、网络类型、空闲状态、温度和失败回退,避免训练干扰夜间监测或用户设备。掉线和迟到更新不能被静默当成正常样本;参与概率与设备、地区或用户活跃度相关时,可能形成新的选择偏倚。

隐私保护与安全威胁

“不上传原始数据”不是完整隐私保证。单个梯度或参数更新可能泄露训练样本特征,最终模型也可能受到成员推断、属性推断或训练数据提取。应根据协调方、参与方、网络观察者和模型使用者的能力建立威胁模型,区分输入隐私与输出隐私,并评估更新粒度、批量大小、轮次关联和参与者数量对风险的影响。

可组合安全聚合、传输加密、节点与工作负载认证、更新裁剪、最小参与阈值和差分隐私等控制,但每项都有前提与代价。安全聚合可减少协调方观察单个更新的能力,却不能自动限制最终模型记忆;差分隐私需要说明保护单位、邻接关系、噪声机制和累计隐私预算,并验证效用下降。令牌、密钥、模型检查点和调试日志应独立管理,不能因协议复杂而成为旁路泄露点。

投毒、故障与运行控制

恶意或失控节点可能提交投毒数据、后门更新、缩放参数或伪造身份,普通的数据错误和设备漂移也可能产生相似异常。防护可包括参与方准入、签名与证明、更新范围检查、鲁棒聚合、速率限制、独立参考测试、异常轮次隔离和人工调查。任何防御都不应被宣传为普遍有效;在高度异质的数据上,过度过滤还可能错误排斥合法的小群体。

协调服务需要处理节点掉线、网络分区、重放、重复提交、版本错配、密钥轮换和聚合中断。每个轮次应具有唯一标识、模型哈希、参与清单、协议版本和不可抵赖审计,失败后按明确规则回滚或恢复。全局模型进入生产前应与训练协调环境隔离,并通过发布审批、签名验证、灰度部署和紧急撤回控制,防止未验证模型直接影响筛查、诊疗或用户提示。

验证、复现与部署监测

测试集必须与各节点训练数据保持人员、夜晚、设备和站点层面的独立,不能把同一人的相邻夜晚或切分信号泄漏到训练和测试两侧。评测应覆盖总体与节点级的区分度、校准、敏感度、特异度、拒判、缺失输入、通信失败和关键亚组,并在未参与训练的外部站点验证。若模型用于临床或安全决策,还需评估人机协作、错误后果和适用工作流。

复现资料应保存代码、依赖、模型结构、初始化、聚合和隐私参数、客户端选择规则、随机种子、轮次日志及数据版本摘要,但不得泄露个人或节点敏感信息。上线后要监测输入、参与率、节点覆盖、性能、校准、隐私预算和安全事件;更新模型应有预定变更范围和再验证门槛。发现设备迭代、疾病谱变化或小节点性能下降时,应暂停自动更新并重新评估。

治理、采购验收与使用边界

联邦治理应明确各方的数据与模型角色、合法目的、允许用途、保留期、跨境路径、知识产权、成果访问、事件通知和退出后的模型处理。参与者需要知道本地执行的代码、资源消耗、可见信息和风险;研究或医疗场景还应处理伦理审查、方案偏离和不良影响。联邦学习不能把责任分散到无人负责,协调方和节点都应有具名负责人及申诉、纠错和停机渠道。

采购验收应在目标网络与节点条件下演示完整轮次,包括入组、掉线、恶意更新、密钥故障、恢复、模型审批和可验证删除。证据包至少包含威胁模型、数据规范、协议与组件版本、隐私和安全参数、节点及亚组结果、已知限制、复测记录和运维服务水平。供应方不能仅以“数据不出域”声称匿名、合规或零泄露;最终是否采用应同时权衡隐私、安全、准确性、公平性、通信成本和业务可持续性。