Nat Mach Intel｜通过知识蒸馏，在药物发现中实现数据驱动的联邦学习

本文介绍了由多家制药公司和研究机构团队提出的新型联邦学习框架FLuID，旨在解决药物发现中数据隐私和共享的问题。传统联邦学习（FL）存在隐私泄露风险、异构数据适配困难等问题。FLuID通过知识蒸馏技术，将知识转化为非敏感代理数据的标注信息，实现了跨机构知识的安全共享与整合。实验证明，FLuID在模拟联盟和真实制药企业合作场景中显著提升了模型预测性能，并扩展了化学空间覆盖范围。该方法在保护数据隐私的同时，提升了模型的泛化能力和工业适用性，为药物研发中的数据孤岛问题提供了创新解决方案。