研究前沿：中国科学技术大学吴宇恩/江俊团队，联邦图机器学习 | Nature Machine Intelligence

背景：在分子发现领域，多研究机构协作可加速研发，但各机构的分子数据（包括成功和失败的案例）在发表或商业化前通常严格保密，这给在隐私约束下协同处理异构分布的分子数据的现有AI算法带来了挑战。研究目的：中国科学技术大学团队提出了一种名为FedLG（联邦学习兰乔斯图）的联邦图学习方法，旨在促进多方协作的模型训练，并在严格隐私保护条件下实现可靠的预测性能。结论：FedLG在模拟联邦学习环境中的18个基准数据集上表现出优异的模型性能，在不同隐私保护机制下展现了鲁棒性和抗噪声能力；交叉验证和对比测试表明，该方法具有更优的异构数据聚合能力和效果提升，通过引入贝叶斯优化进一步稳定了性能，是实现多方协作同时保护敏感分子信息的有效方法。