医学 AI

ClinicalReTrial: Clinical Trial Redesign with Self-Evolving Agents

临床试验重设计：具有自进化代理的临床试验重设计

Sixue Xing, Kerui Wu, Xuanye Xia, Meng Jiang, Jintai Chen, Tianfan Fu

机构 * University of Notre Dame（圣母大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanjing University（南京大学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 本文提出ClinicalReTrial系统，通过自进化代理对临床试验协议进行迭代重设计，提升成功率并降低成本。

Countering Catastrophic Forgetting of Large Language Models for Better Instruction Following via Weight-Space Model Merging

通过权重空间模型融合提升大语言模型的指令跟随能力以对抗灾难性遗忘

Mengxian Lyu, Cheng Peng, Ziyi Chen, Mengyuan Zhang, Jieting Li Lu, Yonghui Wu

机构 * University of Florida（佛罗里达大学） ； Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida（佛罗里达大学医学院健康结果与生物医学信息学系） ； Department of Engineering Education, Herbert Wertheim College of Engineering, University of Florida（佛罗里达大学赫伯特·韦特海姆工程学院工程教育系） ； Preston A. Wells, Jr. Center for Brain Tumor Therapy, Lillian S. Wells Department of Neurosurgery, University of Florida（佛罗里达大学莉莉安·S·威尔斯神经外科系普雷斯顿·A·威尔斯脑肿瘤治疗中心） 纠错

专题命中 医学数据与评测 ：radiology(abstract)

AI总结 本文提出通过权重空间模型融合方法，有效缓解大语言模型在医疗领域微调时的灾难性遗忘问题，保留指令跟随能力并提升医疗任务表现。

MIRAGE: The Illusion of Visual Understanding

MIRAGE：视觉理解的幻觉

Mohammad Asadi, Jack W. O'Sullivan, Fang Cao, Tahoura Nedaee, Kamyar Rajabalifardi, Fei-Fei Li, Ehsan Adeli, Euan Ashley

机构 * Stanford University（斯坦福大学） 纠错

专题命中 医学数据与评测 ：pathology(abstract)

AI总结 研究揭示多模态AI系统在视觉-语言推理中的漏洞，指出模型能生成未提供图像的详细描述及推理，挑战现有假设，提出B-Clean作为公平评估方案。

Perfecting Human-AI Interaction at Clinical Scale. Turning Production Signals into Safer, More Human Conversations

在临床规模上完善人机交互。将生产信号转化为更安全、更人性化的对话

Subhabrata Mukherjee, Markel Sanz Ausin, Kriti Aggarwal, Debajyoti Datta, Shanil Puri, Woojeong Jin, Tanmay Laud, Neha Manjunath, Jiayuan Ding, Bibek Paudel, Jan Schellenberger, Zepeng Frazier Huo, Walter Shen, Nima Shirazian, Nate Potter, Sathvik Perkari, Darya Filippova, Anton Morozov, Austin Mease, Vivek Muppalla, Ghada Shakir, Alex Miller, Juliana Ghukasyan, Mariska Raglow-Defranco, Maggie Taylor, Herprit Mahal, Jonathan Agnew

机构 * Hippocratic AI 纠错

专题命中 医学数据与评测 ：clinical AI(abstract)

AI总结 本文提出了一种基于真实患者与AI交互数据的框架，通过分析实时信号提升医疗AI的安全性和可靠性，减少ASR错误，提高患者体验。

CrossTrace: A Cross-Domain Dataset of Grounded Scientific Reasoning Traces for Hypothesis Generation

CrossTrace：一种跨领域 grounded 科学推理轨迹数据集用于假设生成

Andrew Bouras, OMS-II Research Fellow

机构 * Nova Southeastern University Dr. Kiran C. Patel College of Osteopathic Medicine（诺瓦东南大学基兰·C·帕特尔骨科医学院） 纠错

专题命中 医学数据与评测 ：biomedical(abstract)

AI总结 CrossTrace 是一个跨领域 grounded 科学推理轨迹数据集，包含 1389 个轨迹，涵盖生物医学研究、AI/ML 和跨领域工作。通过 QLoRA 微调 Qwen2.5-7B-Instruct，显著提升 IAScore 和结构合规性，验证跨领域推理轨迹的有效性。

Comments 14 pages, 1 figure, 8 tables. Dataset and code available at https://github.com/andrewbouras/crosstrace

TeamMedAgents: Pareto-Efficient Multi-Agent Medical Reasoning Through Teamwork Theory

TeamMedAgents: 通过团队理论实现帕累托高效多智能体医疗推理

Pranav Pushkar Mishra, Mohammad Arvan, Mohan Zalake

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

专题命中 医学数据与评测 ：medical AI(abstract)

AI总结 TeamMedAgents基于团队理论构建模块化多智能体框架，通过共享心理模型、团队领导、团队导向等机制，提升医疗推理效率，实现帕累托效率前沿提升，并在低token成本下取得竞争性准确率。

Comments 19 pages, 6 figure, 12 tables, 2 algorithm

HEAD-QA v2: Expanding a Healthcare Benchmark for Reasoning

HEAD-QA v2：扩展医疗基准以进行推理

Alexis Correa-Guillén, Carlos Gómez-Rodríguez, David Vilares

专题命中 医学数据与评测 ：biomedical(abstract)

AI总结 HEAD-QA v2扩展了医疗推理数据集，包含12000个西班牙专业考试问题，评估多种LLM性能，发现模型规模和推理能力是主要影响因素。

Comments LREC 2026 camera-ready version

GS-BrainText: A Multi-Site Brain Imaging Report Dataset from Generation Scotland for Clinical Natural Language Processing Development and Validation

GS-BrainText：来自Generation Scotland的多站点脑影像报告数据集，用于临床自然语言处理开发与验证

Beatrice Alex, Claire Grover, Arlene Casey, Richard Tobin, Heather Whalley, William Whiteley

机构 * Advanced Care Research Centre, University of Edinburgh（爱丁堡大学高级护理研究中心） ； School of Literatures, Languages and Cultures, University of Edinburgh（爱丁堡大学文学、语言与文化学院） ； Edinburgh Futures Institute, University of Edinburgh（爱丁堡大学爱丁堡未来研究所） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Usher Institute, University of Edinburgh（爱丁堡大学厄舍研究所） ； Institute for Neuroscience and Cardiovascular Research, University of Edinburgh（爱丁堡大学神经科学与心血管研究所） ； Generation Scotland, Institute of Genetics and Cancer, University of Edinburgh（爱丁堡大学遗传学与癌症研究所苏格兰世代研究中心） ； NHS Lothian（NHS洛锡安） ； School of Mathematical and Computer Sciences, Heriot-Watt University（赫瑞瓦特大学数学与计算机科学学院） 纠错

专题命中 医学数据与评测 ：radiology(abstract)

AI总结 GS-BrainText包含8511份脑部影像报告，其中2431份标注了24种脑部疾病表型，用于开发和验证通用的临床NLP算法，揭示NLP工具在泛化中的挑战。

Comments 11 pages, 1 figure

Is Mathematical Problem-Solving Expertise in Large Language Models Associated with Assessment Performance?

大语言模型中的数学问题解决能力是否与评估表现相关？

Liang Zhang, Yu Fu, Xinyi Jin

机构 * University of Michigan（密歇根大学） ； The High School Affiliated to Minzu University of China（中央民族大学附属中学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 研究探讨了大语言模型在数学问题解决能力与评估表现之间的关系，发现模型在解决正确问题时评估准确率更高，但步级诊断仍需额外能力支持。

PLACID: Privacy-preserving Large language models for Acronym Clinical Inference and Disambiguation

PLACID：隐私保护的大语言模型用于缩写临床推断和消歧

Manjushree B. Aithal, Ph. D., Alexander Kotz, James Mitchell, Ph. D

机构 * Department of Biomedical Informatics, University of Colorado Anschutz（科罗拉多大学安舒茨分校生物医学信息学系） 纠错

专题命中 医学数据与评测 ：biomedical(abstract)

AI总结 本文提出PLACID模型，通过本地部署的小参数模型实现隐私保护的临床缩写消歧，利用通用本地模型检测缩写并路由至领域特定的生物医学模型以提高扩展准确性。

Comments 10 pages, 2 figures, Under review AMIA Symposium

RealCQA-V2: A Diagnostic Benchmark for Structured Visual Entailment over Scientific Charts

RealCQA-V2：结构化科学图表视觉蕴含的诊断基准

Saleem Ahmed, Srirangaraj Setlur, Venu Govindaraju

机构 * University at Buffalo, Buffalo, NY, USA（布法罗大学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 RealCQA-V2通过将图表问答转化为视觉前提证明任务，提供结构化视觉蕴含验证，揭示多模态推理中的局部-全局推理差距。

Comments Under Review : Code and Data will be made public soon - https://cse-ai-lab.github.io/VPP/

On the Vulnerability of FHE Computation to Silent Data Corruption

关于FHE计算对静默数据破坏的脆弱性

Jianan Mu, Ge Yu, Zhaoxuan Kan, Song Bian, Liang Kong, Zizhen Liu, Cheng Liu, Jing Ye, Huawei Li

专题命中 医学数据与评测 ：biomedical(abstract)

AI总结 研究探讨FHE在真实硬件上的可靠性，分析其对瞬态故障的脆弱性，并评估不同容错机制的有效性。

Comments 7 pages, 5 figures

RadTimeline: Timeline Summarization for Longitudinal Radiological Lung Findings

RadTimeline：纵向放射学肺部发现的时间线摘要

Sitong Zhou, Meliha Yetisgen, Mari Ostendorf

专题命中 医学数据与评测 ：radiology(abstract)

AI总结 本文提出RadTimeline时间线摘要任务，通过生成时间线来总结纵向放射学报告，提升疾病进展识别效率。实验表明，分组名称生成对发现分组至关重要，最佳配置在召回率和分组性能上接近人工标注。

Comments Accepted at Language Resources and Evaluation Conference (LREC) 2026

Hybrid-Code v2: Zero-Hallucination Clinical ICD-10 Coding via Neuro-Symbolic Verification and Automated Knowledge Base Expansion

Hybrid-Code v2：通过神经符号验证和自动知识库扩展实现零幻觉的临床ICD-10编码

Yunguo Yu

机构 * AI Innovation & Prototyping, Zyter（人工智能创新与原型开发，Zyter） 纠错

专题命中 医学数据与评测 ：medical AI(abstract)

AI总结 Hybrid-Code v2结合神经网络与符号验证，实现零类型I幻觉，同时保持高覆盖率和精度，通过自动知识库扩展解决规则系统扩展性问题。

Comments Version 2: Substantially extended version with (1) multi-layer verification framework (format, evidence, negation, temporal, exclusion), (2) automated knowledge base expansion from unlabeled clinical text, (3) formal zero Type-I hallucination guarantees, and (4) expanded experimental evaluation on 5,000 cases with detailed error analysis. 28 pages, 3 figure, original research paper;

PrecLLM: A Privacy-Preserving Framework for Efficient Clinical Annotation Extraction from Unstructured EHRs using Small-Scale LLMs

PrecLLM: 一种用于从非结构化电子健康记录中高效提取临床注释的隐私保护框架，使用小型语言模型

Yixiang Qu, Yifan Dai, Shilin Yu, Pradham Tanikella, Malvika Pillai, Walter Chen, Jialiu Xie, Yishan Ren, Duan Wang, Yikai Wang, Sid Sheth, Guanting Chen, Yufeng Liu, Travis Schrank, Trevor Hackman, Didong Li, Di Wu

机构 * Department of Biostatistics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物统计学系） ； Department of Genetics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校遗传学系） ； Curriculum for Bioinformatics and Computational Biology, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物信息学与计算生物学课程） ； Carolina Health Informatics Program, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校健康信息学计划） ； Department of Statistics and Operations Research, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校统计学与运筹学系） ； Department of Otolaryngology/Head and Neck Surgery, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校耳鼻喉科及头颈外科系） ； Department of Statistics, University of Michigan（密歇根大学统计学系） ； Department of Biomedical Sciences, Adams School of Dentistry, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校阿德姆牙科学院生物医学科学系） ； Computational Medicine Program, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校计算医学计划） ； Lineberger Comprehensive Cancer Center, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校林伯格综合癌症中心） 纠错

专题命中 医学数据与评测 ：clinical LLM(abstract)

AI总结 本文提出PrecLLM框架，利用小型语言模型高效处理非结构化电子健康记录，通过正则表达式和RAG技术提升隐私保护下的临床注释提取性能。

Memory-Driven Role-Playing: Evaluation and Enhancement of Persona Knowledge Utilization in LLMs

基于记忆的角色扮演：评估和增强LLM中人设知识的利用

Kai Wang, Haoyang You, Yang Zhang, Zhongjie Wang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Macquarie University（麦考瑞大学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 本文提出Memory-Driven Role-Playing框架，通过MREval、MRPrompt和MRBench评估LLM在角色扮演中的记忆能力，验证了小模型能效媲美大模型，并证明上游记忆提升下游响应质量。

Comments 34 pages

CURE: A Multimodal Benchmark for Clinical Understanding and Retrieval Evaluation

CURE：临床理解和检索评估的多模态基准

Yannian Gu, Zhongzhen Huang, Linjie Mu, Xizhuo Zhang, Shaoting Zhang, Xiaofan Zhang

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； SenseTime Research, China（商汤研究院） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 CURE基准通过控制证据环境评估多模态模型的推理与检索能力，揭示模型在依赖权威文献时性能显著下降，强调整合临床证据与精确检索的挑战。

MOSAIC: Multi-Objective Slice-Aware Iterative Curation for Alignment

MOSAIC：多目标切片感知迭代校准用于对齐

Yipu Dou, Wang Yang

机构 * School of Cyber Science and Engineering（网络科学与工程学院） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 本文提出MOSAIC框架，通过统一的L1-L3评估接口实现闭环数据混合搜索，在有限预算下平衡多目标，提升对齐性能并优于随机基线。

Comments 9 pages, 5 figures. Code available at https://github.com/douyipu/mosaic

Prompt Sensitivity and Answer Consistency of Small Open-Source Language Models for Clinical Question Answering in Low-Resource Healthcare

小开源语言模型在低资源医疗场景中的提示敏感性与答案一致性

Shravani Hariprasad

机构 * Independent Researcher（独立研究者） 纠错

专题命中 医学数据与评测 ：clinical AI(abstract)

AI总结 研究评估了五种开源模型在三个医疗问答数据集上的表现，发现一致性与准确性独立，Llama 3.2在准确性与可靠性上表现最佳，但领域预训练不足以保证结构化医疗问答的正确性。

Comments 30 pages, 7 figures, 2 tables

Talk, Evaluate, Diagnose: User-aware Agent Evaluation with Automated Error Analysis

谈话、评估、诊断：基于用户意识的代理评估与自动错误分析

Penny Chong, Harshavardhan Abichandani, Jiyuan Shen, Atin Ghosh, Min Pyae Moe, Yifan Mai, Daniel Dahlmeier

机构 * SAP ； Stanford University（斯坦福大学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 本文提出TED框架，通过用户角色模板、自动评分和错误分析，提升代理评估的全面性与效率，实验显示在模型和用户水平上取得8-10%的性能提升。

Comments Accepted as a conference paper at ICLR 2026. Code and dataset are available in the repository https://github.com/SAP-samples/agent-quality-inspect

MedPriv-Bench: Benchmarking the Privacy-Utility Trade-off of Large Language Models in Medical Open-End Question Answering

MedPriv-Bench：医疗开放问答中大语言模型隐私-效用权衡的基准测试

Shaowei Guan, Yu Zhai, Hin Chi Kwok, Jiawei Du, Xinyu Feng, Jing Li, Harry Qin, Vivian Hui

专题命中 医学数据与评测 ：medical AI(abstract)

AI总结 MedPriv-Bench首次提出医疗开放问答中评估隐私保护与临床效用的基准，通过多代理人机协同流程生成敏感医疗情境，利用预训练RoBERTa-NLI模型量化数据泄露，揭示大语言模型在隐私与效用间的普遍权衡。

Comments 17 pages, 5 figures

AI Planning Framework for LLM-Based Web Agents

基于大语言模型的网络代理的AI规划框架

Orit Shahnovsky, Rotem Dror

机构 * Faculty of Computer and Information Science, University of Haifa（计算机与信息科学学院，海法大学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 本文提出一种将网络任务视为序列决策过程的AI规划框架，通过将现代代理架构映射到传统规划范式，提出五种新的评估指标，验证了全计划提前代理在技术指标上的优势。

Shattering the Shortcut: A Topology-Regularized Benchmark for Multi-hop Medical Reasoning in LLMs

打破捷径：一种用于LLMs多跳医学推理的拓扑正则化基准

Xing Zi, Xinying Zhou, Jinghao Xiao, Catarina Moreira, Mukesh Prasad

机构 * University of Technology Sydney（悉尼技术大学） 纠错

专题命中 医学数据与评测 ：medical AI(abstract)

AI总结 本文提出ShatterMed-QA基准，通过拓扑正则化知识图谱评估深度诊断推理能力，揭示LLMs在多跳医学推理中的缺陷，并验证RAG方法的有效性。

PosIR: Position-Aware Heterogeneous Information Retrieval Benchmark

PosIR：位置感知的异构信息检索基准

Ziyang Zeng, Dun Zhang, Yu Yan, Xu Sun, Cuiqiaoshu Pan, Yudong Zhou, Yuqing Yang

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 PosIR是一个标准化的异构信息检索基准，通过长度控制分桶策略系统诊断位置偏差，揭示了检索模型在长文档中存在优先偏差及近期偏差，暴露了短文本评估的局限性。

Comments Work in progress

MKE-Coder: Multi-Axial Knowledge with Evidence Verification in ICD Coding for Chinese EMRs

MKE-Coder：基于中国电子病历的ICD编码中的多轴知识与证据验证

Xinxin You, Xien Liu, Xue Yang, Ziyi Wang, Ji Wu

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 MKE-Coder通过多轴知识与证据验证方法提升中文电子病历的ICD自动编码准确性与效率。

Comments We identified an error in the data preprocessing script that led to inconsistent results in the tables. As the current version contains inaccurate data, we are withdrawing it for further correction and verification

Decomposing Physician Disagreement in HealthBench

分解健康基准中医生的分歧

Satya Borgohain, Roy Mariathas

专题命中 医学数据与评测 ：medical AI(abstract)

AI总结 研究通过分解健康基准数据集中的医生分歧，发现可减少的不确定性显著影响分歧程度，而不可减少的不确定性则无影响，提示评估设计改进的方向。

XPPG-PCA: Reference-free automatic speech severity evaluation with principal components

XPPG-PCA：无参考自动语音严重程度评估的主成分分析

Bence Mark Halpern, Thomas B. Tienkamp, Teja Rebernik, Rob J. J. H. van Son, Sebastiaan A. H. J. de Visscher, Max J. H. Witjes, Defne Abur, Tomoki Toda

机构 * Nagoya University, Japan（日本名古屋大学） ； Netherlands Cancer Institute（荷兰癌症研究所） ； University of Groningen（格罗宁根大学） ； University Medical Center Groningen（格罗宁根大学医学中心） ； CNRS, Sorbonne Nouvelle（法国国家科学研究中心、索邦-努瓦塞勒大学） ； University of Amsterdam（阿姆斯特丹大学） ； University Medical Hospital Groningen（格罗宁根大学医学中心） 纠错

专题命中 医学数据与评测 ：pathology(abstract)

AI总结 XPPG-PCA提出了一种无参考、无监督的语音严重程度评估方法，通过主成分分析在三个荷兰口腔癌数据集上验证了其性能，展示了在临床应用中的潜力。

Comments 14 pages, 4 figures. Author Accepted Manuscript version of the IEEE Selected Topics in Signal Processing with the same title

Journal ref IEEE Journal of Selected Topics in Signal Processing 2026

CoTJudger: A Graph-Driven Framework for Automatic Evaluation of Chain-of-Thought Efficiency and Redundancy in LRMs

CoTJudger: 一种基于图的框架，用于自动评估链式推理效率和冗余性在LRMs中

Siyi Li, Jiajun Shi, Shiwen Ni, Ge Zhang, Shuaimin Li, Shijian Wang, Zhoufutu Wen, Yizhi Li, Hamid Alinejad-Rokny, Jiaheng Liu, Min Yang, Wenhao Huang

机构 * University of Science and Technology of China（科学技术大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； Shenzhen Institutes of Advanced Technology, CAS（深圳先进技术研究所，中国科学院） ； Southeast University（东南大学） ； Nanjing University（南京大学） ； Beihang University（北航） ； University of Manchester（曼彻斯特大学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 CoTJudger通过构建依赖图提取最短有效路径，评估链式推理的效率与冗余，揭示模型中的冗余问题及失败模式。

From Privacy to Trust in the Agentic Era: A Taxonomy of Challenges in Trustworthy Federated Learning Through the Lens of Trust Report 2.0

从隐私到信任在代理时代：通过信任报告2.0的视角，对可信联邦学习中挑战的分类

Nuria Rodríguez-Barroso, Mario García-Márquez, M. Victoria Luzón, Francisco Herrera

机构 * Department of Computer Science and Artificial Intelligence, Andalusian Research Institute in Data Science and Computational Intelligence (DaSCI) University of Granada（计算机科学与人工智能系，数据科学与计算智能安达卢西亚研究 institute，格拉纳达大学） ； Department of Software Engineering, Andalusian Research Institute in Data Science and Computational Intelligence (DaSCI) University of Granada（软件工程系，数据科学与计算智能安达卢西亚研究 institute，格拉纳达大学） 纠错

专题命中 医学数据与评测 ：diagnosis(abstract)

AI总结 本文通过信任报告2.0提出可信联邦学习的挑战分类，强调信任作为持续维持的操作条件，并引入协调蓝图以处理跨要求的权衡和治理对齐。

Comments Already published in Information Fusion

Journal ref Rodríguez-Barroso, et. al. (2026). From Privacy to Trust in the Agentic Era: A Taxonomy of Challenges in Trustworthy Federated Learning Through the Lens of Trust Report 2.0. Information Fusion, 104236

Understanding the Resource Cost of Fully Homomorphic Encryption in Quantum Federated Learning

理解量子联邦学习中全同态加密的资源成本

Lukas Böhm, Arjhun Swaminathan, Anika Hannemann, Erik Buchmann

专题命中 医学数据与评测 ：MRI(abstract)

AI总结 本研究评估了全同态加密在量子联邦学习中带来的资源开销，发现其在现实应用中面临内存和通信开销大的挑战，需在隐私与模型复杂性间做出权衡。

Comments Experiments with Quantum Federated Learning using Homomorphic Encryption to encrypt the gradients