联邦学习（FL）通过聚合客户端模型更新实现去中心化训练，无需共享原始数据，从而保护数据隐私。分割联邦学习（SplitFed）进一步将模型分割至客户端和服务器，客户端仅需处理部分模型，大幅降低计算和通信开销。然而，在医疗场景中，不同机构通常执行不同的分割任务，例如某些机构专注于肝脏分割，而其他机构可能关注脑肿瘤分割。这种任务异构性导致标准的FL和SplitFed难以直接应用，因为全局模型无法同时适应所有任务。多任务联邦学习（MTFL）允许客户端各自处理不同的任务，但往往引入训练不稳定性和额外的隐私风险，例如服务器可能从共享的表示中重建客户的私有数据。
为了解决这些问题，研究者提出了MuCALD-SplitFed，一个新颖的多任务分割联邦学习框架。该框架将因果表示学习与潜在扩散模型有机结合。因果表示学习旨在提取任务无关且因果稳健的特征，而潜在扩散模型则通过生成式建模增强表示的多样性和隐私性。具体来说，在分割点（即客户端与服务器交换中间表示的位置），MuCALD-SplitFed引入因果潜在扩散过程，使得不同任务的表示在潜在空间中趋于对齐，从而促进多任务协同训练。同时，扩散过程中的噪声注入机制有效防止了攻击者从中间表示中恢复原始图像或推断成员信息。
实验在多个医学图像分割数据集上进行，包括视网膜血管分割、心脏分割和肺部分割等任务。结果表明，基线SplitFed由于任务冲突而无法收敛，而MuCALD-SplitFed不仅稳定收敛，而且分割性能持续提升，达到与集中式训练相当的水平。在隐私评估中，基于重构和成员推断的攻击成功率显著下降，证明了该方法在隐私保护方面的优越性。此外，与当前最先进的个性化FL（如pFL）和多任务FL（如FedAvg变体）相比，MuCALD-SplitFed在Dice系数、Hausdorff距离等指标上均取得最佳结果。该工作已被IEEE国际图像处理大会（ICIP 2026）接收为口头报告，代码已开源在GitHub上。