联邦学习和群智学习等协作学习技术,能够在保护数据隐私的条件下充分利用分布在各地的分布式数据深度挖掘数据中所蕴含的知识,拥有非常广阔的应用前景,尤其是在强调隐私惯例和道德约束的医疗健康领域. 任何协作工作都需要选择可靠的参与方,协作学习中全局模型的性能在很大程度上取决于参与方的选择. 然而,现有研究在选择参与方时都没有对不同机构医疗数据中存在的异质性加以直接关注. 导致包含稳定性在内的全局模型的性能难以得到保障. 提出了从信誉的角度尝试探索求解该问题. 以迭代协作学习的方式尽可能挑选出具有良好信誉的参与方进行协作学习,以获得稳定可靠的高性能全局模型. 首先,提出了一个描述医疗机构数据质量的AI信誉值指标AMP（AI medical promise）,以帮助其在医疗领域中形成良好的AI生态. 其次,建立了一个基于后向选择的迭代协作学习（colback-learning）框架. 在单次协作学习任务中,利用后向选择方法以多项式时间复杂度迭代计算出性能良好且稳定的全局模型,完成AMP计算和积累. 在AMP信誉值计算中,制定了一个综合考虑全局性能指标的评分函数,以针对医疗领域更有效地指导全局模型的训练. 最后,使用真实医疗数据模拟多样化的协作学习场景.实验表明,colback-learning能够选择可靠参与方训练得到性能良好的全局模型,模型的性能稳定性比现有最好的参与方选择方法提高了1.3 ~ 6倍. 全局模型的可解释性与集中式学习保持了较高的一致性.

当前,元宇宙已经成为产业热词,产业各界期待元宇宙能够带来新的机会和增长点,成为推动数字经济的动力和引擎. 然而,各界对元宇宙的认识存在广泛差异. 通过多角度的研究,旨在为元宇宙的系统性理解和科学研究提供框架. 首先,分析了多个主流元宇宙体系架构及其关键组件,揭示了元宇宙的多层次结构. 其次,提出了元宇宙生态体系架构,详细阐述了技术系统、内容系统、经济系统、协作系统和治理系统各层级的要求,以及它们之间的相互关系,构建了整个元宇宙的生态体系. 此外,着重分析了区块链技术在元宇宙中的重要作用,特别强调了其在数据、资产和协作支持方面的价值. 该研究旨在为元宇宙领域的未来发展提供有力的理论基础和实践指导.