TNFL框架利用信任网络实现多中心联邦衰老时钟预测
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究人员提出TNFL框架，通过有向信任关系传播模型，无需中心化聚合。该框架结合年龄感知混合专家模型与生成重放，解决样本有限、数据异构导致的遗忘与漂移问题。实验显示，其在多分子数据集上能利用有限本地数据有效预测衰老时钟，并揭示跨越多个生物系统的协调高阶子网络。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决联邦学习挑战
构建准确的衰老时钟需要学习分布在医疗中心的大型分子数据集，但隐私限制阻碍了集中式数据共享。联邦学习虽是自然解决方案，但在该场景下面临本地样本量有限、中心间信任稀疏且有方向性等挑战。此外，模型需要在保留判别性年龄预测的同时支持解释，并应对跨中心数据异构导致的模型漂移和遗忘问题。
TNFL框架机制
TNFL是一个基于信任网络的联邦学习框架，它沿着有向成对信任关系逐步传播模型，而不进行中心化聚合。该框架结合了年龄感知混合专家模型与生成重放机制，旨在保留先前学习的信息，从而减少遗忘和漂移现象。这种方法允许在保持隐私的前提下，利用分散的数据资源进行模型训练。
实验结果与发现
在多个分子数据集上的实验表明，TNFL能够在本地数据有限的情况下实现有效的衰老时钟预测，并提供可解释的依赖年龄的预测模式，同时在交互顺序上保持稳定的性能。通过分析TNFL识别的成对蛋白质相互作用及其高阶组织，研究发现这些相互作用反复形成跨越多个衰老相关生物系统的协调高阶子网络，且某些蛋白质在不同子网络中反复出现。
为什么值得看
解决了医疗隐私下的多中心协作难题，并揭示了衰老相关的高阶分子组织。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。