聯邦學習（FL）通過聚合客户端模型更新實現去中心化訓練，無需共享原始數據，從而保護數據隱私。分割聯邦學習（SplitFed）進一步將模型分割至客户端和服務器，客户端僅需處理部分模型，大幅降低計算和通信開銷。然而，在醫療場景中，不同機構通常執行不同的分割任務，例如某些機構專注於肝臟分割，而其他機構可能關注腦腫瘤分割。這種任務異構性導致標準的FL和SplitFed難以直接應用，因為全局模型無法同時適應所有任務。多任務聯邦學習（MTFL）允許客户端各自處理不同的任務，但往往引入訓練不穩定性和額外的隱私風險，例如服務器可能從共享的表示中重建客户的私有數據。
為了解決這些問題，研究者提出了MuCALD-SplitFed，一個新穎的多任務分割聯邦學習框架。該框架將因果表示學習與潛在擴散模型有機結合。因果表示學習旨在提取任務無關且因果穩健的特徵，而潛在擴散模型則通過生成式建模增強表示的多樣性和隱私性。具體來説，在分割點（即客户端與服務器交換中間表示的位置），MuCALD-SplitFed引入因果潛在擴散過程，使得不同任務的表示在潛在空間中趨於對齊，從而促進多任務協同訓練。同時，擴散過程中的噪聲注入機制有效防止了攻擊者從中間表示中恢復原始圖像或推斷成員信息。
實驗在多個醫學圖像分割數據集上進行，包括視網膜血管分割、心臟分割和肺部分割等任務。結果表明，基線SplitFed由於任務衝突而無法收斂，而MuCALD-SplitFed不僅穩定收斂，而且分割性能持續提升，達到與集中式訓練相當的水平。在隱私評估中，基於重構和成員推斷的攻擊成功率顯著下降，證明了該方法在隱私保護方面的優越性。此外，與當前最先進的個性化FL（如pFL）和多任務FL（如FedAvg變體）相比，MuCALD-SplitFed在Dice係數、Hausdorff距離等指標上均取得最佳結果。該工作已被IEEE國際圖像處理大會（ICIP 2026）接收為口頭報告，代碼已開源在GitHub上。