16、社交边缘中的隐私保护：FedSens框架助力异常健康检测系统

社交边缘中的隐私保护：FedSens框架助力异常健康检测系统

1. 社交边缘隐私概述

随着无处不在的传感技术和移动边缘计算（MEC）的广泛应用，为普通公民提供更高效、更具成本效益的医疗保健带来了新机遇。我们可以借助移动边缘设备（如智能可穿戴设备或配备先进嵌入式传感器的智能手机）持续收集参与者的健康数据，并实时提供智能健康服务。

在众多智能健康应用中，异常健康检测系统（AHDS）备受关注。它利用各种机器学习模型准确推断人们的异常健康状况，像抑郁症、中风和哮喘等。早期检测这些异常状况对于及时治疗和防止病情恶化至关重要。

然而，AHDS应用在训练阶段面临两个关键问题：
- 隐私问题 ：使用参与者的健康数据进行训练可能导致个人身份信息和健康记录泄露的严重隐私问题。
- 数据孤岛问题 ：AHDS数据通常以“孤岛”形式存在，健康数据来自大量个体参与者而非集中组织。将所有个体的原始传感器数据传输到中央服务器进行训练会导致过度延迟和带宽消耗。

联邦学习（FL）和MEC的出现为使用参与者的智能设备学习AHDS模型提供了有力范式。FL通过使智能边缘设备在不向服务器共享任何私人健康数据的情况下协作学习AHDS的共享推理模型，精心保护参与者的隐私。MEC则允许AHDS充分利用边缘设备的计算能力在本地训练模型，并立即将检测结果反馈给参与者。

不过，现有的联邦学习框架在应用于AHDS时未能解决一个根本问题——类不平衡。参与者的健康数据往往包含不平衡的类标签，存在局部类不平衡（如抑郁症检测中，一天中大部分时间无抑郁状态的样本远多于抑郁状态的样本）和全局类不平衡（不同参与者提供