[論文レビュー] Trust Aware Federated Learning for Secure Bone Healing Stage Interpretation in e-Health

Paul Shepherd, Tasos Dagiuklas+3 more|arXiv (Cornell University)|Feb 27, 2026

Privacy-Preserving Technologies in Data被引用数 0

ひとこと要約

この論文は、信頼度を考慮した連合学習フレームワーク（適応的 EMA を用いた ATSSSF）を提案し、スペクトル特徴からの骨癒合ステージの堅牢な分類を実現。信頼性の低い／敵対的なクライアントの更新を緩和。

ABSTRACT

This paper presents a trust aware federated learning (FL) framework for interpreting bone healing stages using spectral features derived from frequency response data. The primary objective is to address the challenge posed by either unreliable or adversarial participants in distributed medical sensing environments. The framework employs a multi-layer perceptron model trained across simulated clients using the Flower FL framework. The proposed approach integrates an Adaptive Trust Score Scaling and Filtering (ATSSSF) mechanism with exponential moving average (EMA) smoothing to assess, validate and filter client contributions.Two trust score smoothing strategies have been investigated, one with a fixed factor and another that adapts according to trust score variability. Clients with low trust are excluded from aggregation and readmitted once their reliability improves, ensuring model integrity while maintaining inclusivity. Standard classification metrics have been used to compare the performance of ATSSSF with the baseline Federated Averaging strategy. Experimental results demonstrate that adaptive trust management can improve both training stability and predictive performance by mitigating the negative effects of compromised clients while retaining robust detection capabilities. The work establishes the feasibility for adaptive trust mechanisms in federated medical sensing and identifies extension to clinical cross silo aggregation as a future research direction.

研究の動機と目的

• 機微な医療セ sensing でデータを中央集約できない場合の頑健な FL の動機付け。
• スペクトル（S パラメータ）特徴から骨癒合ステージを解釈しつつモデルの完全性を保護。
• 信頼度を適応的に平滑化する ATSSSF を EMA で実装・評価し、信頼できないクライアントをフィルタリング。

提案手法

• Flower FL セットアップで FedAvg 集約を用いた多層パーセプトロンを訓練。
• ローカル指標（Acc, Prec, Rec, F1）から TOPSIS によってクライアント信頼度を計算する ATSSSF を組み込む。
• 信頼スコアに EMA 平滑化を適用し、信頼の分散に基づく適応的 alpha を採用。
• 信頼 threshold が 0.75 未満のクライアントを除外（ラウンドあたり最大 3 名を除外）、再信頼獲得後に再読み込み。
• 制御された FL 環境で異種/信頼性の低いクライアントを模擬するデータを合成分割。

実験結果

リサーチクエスチョン

• RQ1 ATSSSF に基づく信頼評価は FedAvg に比べて骨癒合ステージ分類の FL の頑健性を向上させるか？
• RQ2 適応的 EMA 平滑化はクライアント変動下で信頼の安定性と収束を高めるか？
• RQ3 信頼ベースのクライアント除外がモデル性能と参加多様性に与える影響は？

主な発見

• ベースラインの FedAvg 正確度: 67.4%（macro F1 0.61、精度 0.64）。
• ATSSSF では正確度が 73.8% に上昇（macro F1 0.69、精度 0.71）。
• 静的 EMA（α=0.3）で 75.1% の正確度（macro F1 0.72、精度 0.74）。
• 適応 EMA が最良の結果を達成：77.6% の正確度（macro F1 0.74、精度 0.76）。
• 信頼スコアの分散が減少（0.12→0.07）。1 ラウンドあたり約 2 名のクライアントを欠席、再参加は約 10 ラウンドに 1 回程度。
• 適応的平滑化により安定化が速く、隣接する癒合ステージの誤分類が減少。