本文提出 FedADB，一个基于类别锚点的双分支联邦学习框架，用于缓解联邦学习中的灾难性遗忘问题。在联邦学习中，多个异构设备上的多模态数据协同训练，但本地训练时模型容易遗忘先前学到的全局知识，尤其在客户端数据异质性下，导致性能和收敛速度显著下降。现有方法多依赖全局对齐策略保持全局知识，但可能阻碍局部优化，且对缺失类别的监督不足。FedADB 通过服务器在可微输入空间中生成类别锚点，并在客户端间共享，这些锚点作为全局参考，在本地训练中为缺失类别提供监督。同时设计了双分支协同训练机制：锚点全局分支通过类别锚点平衡采样实现全局知识对齐，保持全局一致性；局部校准分支关注判别性局部特征学习，缓解过度全局对齐导致的局部表示退化。在多个医学和自然数据集上的大量实验表明，FedADB 在准确率和收敛速度上均有显著提升。该方法不依赖代理数据集，有效平衡了类别级全局一致性与局部优化目标，为联邦学习中的数据异质性和遗忘问题提供了新思路。

本文提出了一种面向联邦学习场景的隐私保护框架 DP-SimAgg，用于解决医学影像中脑病灶分割任务。联邦学习允许多家医疗机构在不共享原始数据的情况下协作训练模型，但由于不同机构的数据分布存在异质性（非独立同分布），且模型更新可能间接泄露患者隐私信息，直接应用联邦学习面临挑战。DP-SimAgg 结合了相似性加权聚合与客户端-服务器两级的隐私保护机制：首先对参与方上传的模型更新执行 L2 裁剪，限制更新幅度；然后计算各参与方更新之间的相似度，以此作为聚合权重，减轻非独立同分布数据的影响；最后，在中心服务器端引入基于高斯噪声的差分隐私机制，即通过向聚合结果注入校准噪声来满足全局 (epsilon, delta)-差分隐私，在假定的敏感度界下提供每轮隐私预算。该框架基于 Intel OpenFL 平台实现，并在 FeTS 2022 数据集（包含 1251 幅多模态 MRI 扫描）上进行了脑肿瘤分割实验。实验结果显示，在严格的每轮隐私预算（epsilon=1，累计 epsilon 为 20，共 20 轮）下，模型对增强肿瘤、肿瘤核心和全肿瘤区域分别取得了 Dice 指数 0.6357、0.5305 和 0.5274。在更宽松的隐私预算（每轮 epsilon=10，累计 200）下，分割性能接近无隐私保护的基线，同时仍具备中心高斯机制带来的隐私保障。研究结果表明，DP-SimAgg 能够在保持有竞争力分割精度的同时，为医学影像跨机构协作学习提供可量化的隐私保护，为隐私敏感场景下的联邦学习实践提供了有价值的技术参考。

未提供论文摘要，无法生成详细描述。本论文标题涉及隐私感知的视网膜图像生成，可能用于青光眼筛查，但具体方法不明。

DICOM是医学影像交换的标准协议，但许多面向互联网的部署缺乏基本安全控制，导致敏感患者数据暴露。现有测量方法因蜜罐、网络望远镜等欺骗伪影而高估实际暴露量。本文提出一种噪声感知的测量方法，结合主动IPv4全扫描和被动蜜罐部署。主动扫描使用伦理约束的探测（仅限关联协商和C-ECHO），并引入可复现的假阳性过滤方法识别蜜罐、望远镜、畸形响应等欺骗伪影，使暴露量减少39%。过滤后识别出3,979个脆弱的DICOM部署，均无加密且接受未认证连接；其中1,782个运行过时软件，1,551个存在已知远程可利用漏洞。后续扫描显示约50%的暴露服务在5个月内无维护迹象，负责任披露仅带来短暂修复。被动测量方面，部署Dicompot蜜罐发现原始会话日志因通用TCP噪声被误记为DICOM会话而高估活动最多83%。过滤后观察到侦察差距：大多数发送C-ECHO探测的行为者从未升级到数据窃取，与高级行为者识别蜜罐后撤离的行为一致。结果表明，DICOM暴露测量可能被欺骗和日志伪影显著扭曲，但修正后揭示了患者隐私和医疗安全的广泛风险，现有欺骗系统不足以捕获。