Naukowcy zaproponowali Fed-Equilibrium, nowy framework dla uczenia federacyjnego w wieloośrodkowych sieciach klinicznych, który skutecznie rozwiązuje problem "dominacji wiedzy", gdzie duże centra danych naturalnie przytłaczają mniejsze węzły i traktują ich charakterystyczne wzorce jako anomalie. Zamiast tradycyjnego agregowania, metoda implementuje dwu-etapową kaskadę kontroli gradientów.
Pierwszy etap (zapewnienie jakości geometrycznej) wykorzystuje lejek podobieństwa cosinusa do filtrowania złośliwego szumu i tworzenia ustabilizowanego rozmaitości. Drugi etap (topologiczna kontrola Pareto) aktywnie moduluje zweryfikowane wkłady poprzez identyfikację optymalnego punktu kolana Pareto. W praktyce oznacza to, że każdy węzeł - niezależnie od wielkości - ma sprawiedliwy udział w kształtowaniu globalnego modelu.
Framework przetestowano na symulacji integrującej kanadyjski rejestr CNODES i amerykańską bazę SyntheticMass. Wyniki pokazały, że system jednocześnie zabezpiecza sieć przed złośliwą dywergencją i gwarantuje uczciwe traktowanie niedoreprezentowanych danych. Szczególnie imponujące jest to, że mniejszy węzeł amerykański, reprezentujący mniej niż 3% całkowitej objętości danych, osiągnął zbieżność porównywalną z bogatym w dane centrum kanadyjskim. To potwierdzenie, że Fed-Equilibrium skutecznie przeciwdziała problemowi dominacji i otwiera drogę do bardziej sprawiedliwych systemów uczenia federacyjnego w opiece zdrowotnej.