基于机器学习与联邦学习的原奶兽药残留快速检测模型构建OA北大核心

为实现原奶中兽药残留的快速、低成本风险识别,利用大型乳品企业2022—2024年全国多区域原奶常规检测指标及兽药残留数据,构建基于机器学习与联邦学习的兽药残留快速检测模型,作为传统化学检测方法的有效补充。针对兽药残留阳性样本远少于阴性样本的数据不平衡特性,采用SMOTE过采样与随机欠采样相结合策略优化训练集。通过对比随机森林、决策树、贝叶斯网络、极限梯度提升、支持向量机等多种算法,发现极限梯度提升模型在兽药残留的二分类及多分类预测中均表现出最优的综合性能。特征重要性分析表明,“地区”是影响兽药残留状况的首要因素,凸显了区域差异对原奶质量安全的关键影响。通过构建基于区域划分的客户端学习模式,将联邦学习框架应用于极限梯度提升模型,在有效保护各区域数据隐私的前提下,实现了与集中式学习相当的预测准确率,并提升了模型稳定性。研究旨在为原奶中兽药残留检测提供快速、低成本、数据驱动的风险识别范式和预警机制,为化学检测技术提供有效补充,并为食品安全保障提供新方案。