ICML是机器学习领域的顶级国际学术会议，在中国计算机学会（CCF）推荐论文列表中为A类国际学术会议。ICML 2026将于2026年7月6日至11日在韩国首尔举行。本次会议共收到23,918篇有效投稿，最终录用6,352篇，录用率为26.6%。

论文题目：Fair-FedMOE: Group-Fair One-Shot Federated Learning via Prototype-Guided Experts for Medical Imaging Analysis

第一作者：孟令钊（2024级博士研究生）

收录会议：Proceedings of the 43rd International Conference on Machine Learning（ICML 2026，CCF A）

指导老师：张卫山

论文概述：在医疗联邦学习场景下，跨机构数据异构导致的模型聚合冲突与子群体诊断性能差异，是制约公平医疗AI落地的关键瓶颈。针对现有方法难以同时解决子群体表示偏差与单轮通信下客户端间模型不一致性的问题，本文提出Fair-FedMOE框架。在本地训练阶段，通过可学习原型将样本路由至群体专属专家，实现子群体解耦学习；在服务端聚合阶段，以原型相似度为权重，结合符号一致性掩码与稀疏重叠掩码过滤冲突参数，抑制异构数据引发的更新方向偏差。此外，提出基于罗尔斯最大最小原则的RES-AUC指标，以最差子群体AUC为基准评估整体公平性，在敏感属性数量增加时保持有界稳定。实验基于视网膜领域专用基础模型RETFound与通用基础模型DINOv3，在涵盖视网膜病变检测、青光眼检测及胸部X射线分析3类任务的6个真实数据集的实验表明，Fair-FedMOE在单轮通信约束下实现了群体公平性与整体性能的平衡。