一种用于建模异质多视图观测联邦数据集间可变性的差分隐私概率框架
机器学习
2023-06-29 v2 分布式、并行与集群计算
应用统计
统计方法学
摘要
我们提出一种新颖的联邦学习范式，用于在多中心研究中建模异质客户端间的数据变异性。我们的方法通过分层贝叶斯潜变量模型表达，其中客户端特定参数被假设为来自主节点层级全局实现的实现，该全局分布进而被估计以解释跨客户端的数据偏差和变异性。我们表明，我们的框架可通过期望最大化（EM）对潜主节点分布和客户端参数进行有效优化。我们还引入了与我们的 EM 优化方案兼容的形式化差分隐私（DP）保证。我们在受阿尔茨海默病影响的分布式临床数据集的多模态医学影像数据和分析评分上测试了我们的方法。我们证明，当数据以 iid 和非 iid 方式分布时，即使包含局部参数扰动以提供 DP 保证，我们的方法也是鲁棒的。此外，数据、视图和中心的变异性可以可解释的方式量化，同时与最先进的自动编码模型和联邦学习方案相比保证高质量数据重建。代码可在 https://gitlab.inria.fr/epione/federated-multi-views-ppca 获取。
引用
@article{arxiv.2204.07352,
title = {A Differentially Private Probabilistic Framework for Modeling the Variability Across Federated Datasets of Heterogeneous Multi-View Observations},
author = {Irene Balelli and Santiago Silva and Marco Lorenzi},
journal= {arXiv preprint arXiv:2204.07352},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://www.melba-journal.org