English(EN) Federated Semi-Supervised Graph Neural Networks with Prototype-Guided Pseudo-Labeling for Privacy-Preserving Gestational Diabetes Mellitus Prediction

联邦GNN通过隐私保护半监督学习提升GDM预测能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-05 04:00

研究人员开发了一种新颖的联邦半监督学习框架FedTGNN-SS，用于在保护医院间数据隐私的同时预测妊娠期糖尿病（GDM）。该方法通过使用原型引导伪标签和自适应图细化来解决标记数据有限和无法共享患者记录的挑战。在三个数据集上的实验表明，FedTGNN-SS的有效性，尤其是在标记稀缺性高的情况下，相比现有联邦方法取得了显著改进。 AI

影响引入了一种用于临床数据的隐私保护联邦学习方法，有可能在标记有限的医疗保健环境中提高诊断准确性。

排序理由这是一篇研究论文，详细介绍了一种用于特定医学预测任务的新机器学习框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · G. Victor Daniela, A. Mallikarjuna Reddya, Uday Kumar Addankia, Sridhar Reddy Gogua, Sravanth Kumar Ramakuria · 2026-05-05 04:00

Federated Semi-Supervised Graph Neural Networks with Prototype-Guided Pseudo-Labeling for Privacy-Preserving Gestational Diabetes Mellitus Prediction

arXiv:2605.01810v1 Announce Type: new Abstract: Gestational Diabetes Mellitus (GDM) is a high-prevalence pregnancy complication that requires accurate early risk stratification to reduce maternal and fetal morbidity. However, real-world clinical deployment of machine learning is …

报道来源 [1]

Federated Semi-Supervised Graph Neural Networks with Prototype-Guided Pseudo-Labeling for Privacy-Preserving Gestational Diabetes Mellitus Prediction

相关实体

相关话题