[논문 리뷰] Trust Aware Federated Learning for Secure Bone Healing Stage Interpretation in e-Health

Paul Shepherd, Tasos Dagiuklas외 3명|arXiv (Cornell University)|2026. 02. 27.

Privacy-Preserving Technologies in Data인용 수 0

한 줄 요약

논문은 신뢰 기반 연합학습 프레임워크(ATSSSF with adaptive EMA)를 제안하여 스펙트럴 특징으로 뼈 회복 단계를 강건하게 분류하고, 신뢰할 수 없거나 적대적 클라이언트 업데이트를 완화한다.

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.

연구 동기 및 목표

• 데이터를 중앙집중화할 수 없는 민감한 의료 센싱에서의 강건한 FL의 필요성 및 동기를 제시한다.
• 스펙트럼(S-파라미터) 특징으로 뼈 회복 단계를 해석하면서 모델 무결성을 보호한다.
• 적응형 신뢰 메커니즘(ATSSSF)과 EMA 스무딩을 개발·평가하여 비신뢰 클라이언트를 필터링한다.

제안 방법

• Flower FL 설정에서 FedAvg 집계를 사용한 다층 퍼셉트론(MLP)을 학습한다.
• 로컬 지표(정확도, 정밀도, 재현율, F1)로부터 TOPSIS를 이용해 클라이언트 신뢰를 계산하도록 ATSSSF를 도입한다.
• 신뢰 점수에 EMA 스무딩을 적용하고 신뢰 분산에 따라 적응형 알파를 사용한다.
• 신뢰 임계치 0.75 이하의 클라이언트를 제외하고(라운드당 최대 3명) 재신뢰 획득 시 다시 참여하도록 한다.
• 합성적으로 변형된 데이터를 분할하여 이질적/신뢰 불안정한 클라이언트를 제어된 FL 환경에서 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 ATSSSF 기반 신뢰 평가가 FedAvg 대비 뼈 회복 단계 분류의 FL 강건성을 향상시킬 수 있는가?
• RQ2 적응형 EMA 스무딩이 클라이언트 가변성 하에서 신뢰 안정성 및 수렴을 향상시키는가?
• RQ3 신뢰 기반 클라이언트 생략이 모델 성능 및 참여 다양성에 어떤 영향을 미치는가?

주요 결과

• Baseline FedAvg 정확도: 67.4% (매크로 F1 0.61, 정밀도 0.64).
• ATSSSF를 적용하면 정확도 73.8%로 상승 (매크로 F1 0.69, 정밀도 0.71).
• 정적 EMA(alpha=0.3)는 75.1% 정확도(매크로 F1 0.72, 정밀도 0.74)를 산출.
• 적응형 EMA가 최상의 결과를 냄: 77.6% 정확도(매크로 F1 0.74, 정밀도 0.76).
• 신뢰 점수 분산이 감소(0.12에서 0.07로); 라운드당 평균 약 두 명의 클라이언트가 생략; 재참여은 약 10라운드에 한 번 정도 발생.
• 적응형 스무딩은 수렴 속도와 이웃 회복 단계의 오분류를 줄이는 데 기여한다.