新算法XCal-FL在联邦学习中动态校准差分隐私噪声，兼顾预测精度与解释保真度
特拉维夫大学等研究者提出XCal-FL，利用三信号闭环校准噪声，在医学影像数据集上预测性能提升超10%，解释保真度最高提升5倍。
AI解读：在联邦学习里，差分隐私靠加噪声保护数据，但噪声会扭曲模型，让AI给出的解释变不可信——医疗辅助诊断这类场景就卡在这里。以往做法用静态的特征重要性信号调噪声，只能在训练后做解释，没法一边训练一边根据解释质量调整。XCal-FL的突破在于把解释质量本身变成调噪声的反馈：它同时看预测logit变化、反事实边界和显著性集中度这三个信号，每轮本地训练都动态决定加多少噪声，并仍用自适应隐私会计守住正式的DP保证。论文在三个医学影像数据集上报告，相比静态噪声FL，预测性能提升超过10%，解释保真度最高提升5倍，也超过现有自适应DP方法；隐私预算效率也更高。另一个发现是，预测性能随隐私损失接近线性变化，解释保真度却是非线性——这意味着解释性是隐私权衡里独立的一维，不能从效用反推。对做临床辅助诊断或任何要可解释AI的联邦学习团队，这篇论文指向一种训练和隐私预算分配的新思路：如果只看准确率，可能低估了保护隐私对可解释性的代价。不过目前仍是arXiv预印本，未经过同行评审，效果只在论文的三组数据集和设定下验证，尚无临床落地数据。
arXiv预印本论文提出XCal-FL，一种面向跨机构联邦学习中图像分类任务的闭环训练算法，在训练过程中根据三个解释性信号动态校准差分隐私噪声，而非像此前方法那样用静态特征重要性信号固定噪声。论文称，在三个医学影像数据集上，XCal-FL相比静态噪声FL将预测性能提升超过10%，解释保真度最高提升5倍，并在保真度上优于现有自适应差分隐私方法。论文由Michael Khavkin（特拉维夫大学）、Kichang Lee与Jaeho Jin（延世大学）、JeongGil Ko（延世大学）与Eran Toch（特拉维夫大学）合著，2026年9月3日提交至arXiv，共21页。
XCal-FL使用的三个解释性信号
XCal-FL的核心做法是，在跨孤岛联邦学习的本地训练中，用三个互补信号衡量当前解释质量，再据此调节差分隐私噪声的强度：预测logit变化（衡量对模型置信度的因果影响）、反事实边界（捕捉决策边界的敏感性）、显著性集中度（量化模型注意力的空间连贯性）。论文称，算法通过自适应隐私会计确保形式化的差分隐私保证，而此前基于静态特征重要性信号的方案只能做事后分析，无法在训练中依据解释质量调整噪声。
实验结果与隐私效率
论文报告了在多个联邦学习配置下、三个医学影像数据集上的实验：XCal-FL生成的全局模型在预测性能和可解释性上都更优，相对静态噪声FL，预测性能提升超过10%，解释保真度最高提升5倍，保真度也优于现有最先进的自适应DP方法。隐私预算效率方面，XCal-FL将每单位累积隐私损失转化为准确率和解释保真度两方面更大的收益。分析还显示，预测性能随隐私损失大体呈线性增长，而解释保真度表现出非线性动态，论文据此提出，解释性是隐私权衡中一个独立维度，无法仅从效用推断，对决策关键应用的训练和隐私预算分配有参考意义。
按论文作者说明，本研究依据的是arXiv摘要内容，实验数据的具体数值、数据集名称与对比基线细节需以全文为准。截至信息整理时，论文是2026年9月3日提交的arXiv:2609.03851v1版本，未经同行评审。