数据“孤岛”也能协同训练：我国团队提出FedCA算法，联邦学习实现无监督表示学习新突破

医疗数据隐私保护与AI模型训练之间的矛盾，一直是行业痛点——医院间数据难以共享，导致AI诊断模型泛化能力不足；手机、智能手表等边缘设备的海量用户数据，因隐私问题无法集中利用。如何让分散的数据在不共享的情况下共同训练出优质AI模型？近日，浙江大学团队在《Frontiers of Information Technology & Electronic Engineering》发表研究，提出联邦无监督表示学习（FURL）框架及FedCA算法，通过“共享字典”和“对齐校准”技术，在保护数据隐私的同时，让分布式模型的表示空间一致性提升，在CIFAR-10数据集上分类准确率达71.25%，较传统方法提高3.15个百分点。

联邦学习的“拦路虎”：数据孤岛与表示错位
联邦学习（FL）让数据“不动模型动”，客户端仅上传模型参数而非原始数据，有效保护隐私。但当面对无标签数据时，新的难题出现了：

表示空间不一致：不同客户端数据分布差异大（non-IID），比如甲医院只有肺癌数据，乙医院以胃病数据为主，各自训练的模型会“各执一词”，无法统一理解数据特征；
表示错位：即便数据分布一致，训练随机性也会导致模型对同一事物的表示“旋转错位”，如同两个人用不同方言描述同一物体，服务器难以聚合出有效模型。
传统方法要么简单拼接联邦学习与无监督学习（如FedSimCLR），导致模型在非IID数据上表现骤降；要么依赖大量标注数据，失去无监督学习的优势。

FedCA双模块：给AI装上“共享字典”和“翻译官”
字典模块：构建跨客户端的“特征词汇表”
想象每个客户端都在学习一门“方言”，字典模块则像一本“共享词典”。客户端在本地训练时，将样本特征（如图片的边缘、纹理信息）编码为标准化向量，上传至服务器汇总成“全局字典”。其他客户端下载字典后，将其作为“通用负样本”参与对比学习——比如甲医院的模型通过字典“见过”胃病数据的特征，即便本地没有这类数据，也能在表示空间中为其预留合理位置。实验显示，引入字典模块后，CIFAR-10非IID场景下的特征聚类效果显著提升，异类样本边界清晰化（如图2b所示）。

对齐模块：用公共数据校准“表示方言”
为解决表示错位，团队训练了一个基于公共小数据集（如STL-10的3200张图片）的“基础模型”，作为所有客户端的“翻译官”。本地模型在训练时，不仅要最小化自身对比损失，还要模仿基础模型的输出，确保不同客户端的特征表示“说同一种语言”。数据显示，对齐后模型间的特征夹角从20°以上降至10°以内，聚合效率提升。

实测：准确率超基线方法，非IID场景优势显著
在CIFAR-10、CIFAR-100和MiniImageNet数据集上，FedCA展现出强大性能：

线性分类任务：ResNet-50作为编码器时，CIFAR-10 IID场景准确率达71.25%，较FedSimCLR（68.10%）提升3.15个百分点；非IID场景下仍达68.01%，领先第二名4.05个百分点。
半监督学习：当仅1%数据有标签时，FedCA在CIFAR-10上准确率达50.67%，接近全监督训练水平。
迁移学习：在MiniImageNet预训练的模型迁移到CIFAR-10时，准确率达94.94%，证明特征的强泛化能力。
更重要的是，FedCA无需中心化数据，参数规模与传统方法相当，却能处理百万级边缘设备的协同训练，为医疗、金融等敏感领域的AI应用开辟新路径。

从“数据共享”到“知识共享”：隐私保护AI的新范式
FedCA的创新在于将“数据孤岛”转化为“知识联盟”——字典模块实现跨客户端特征共享，对齐模块确保知识表示一致。未来，该技术可用于手机相册的跨设备智能分类（无需上传照片）、医院间联合训练癌症筛查模型（数据本地留存）等场景。团队计划进一步扩展至跨模态数据，让文本、图像、音频等不同类型的分散数据也能协同学习。