面向电子健康记录的深度学习全隐私流水线
密码学与安全
2018-11-27 v1
摘要
我们引入了一个端到端私有深度学习框架，应用于从电子健康记录预测30天再入院的任务。通过在训练中使用差分隐私（differential privacy）与在推理中使用同态加密（homomorphic encryption），我们证明所提流水线可在提供针对数据传输泄露或针对模型的攻击的强健隐私保障的同时保持高性能。我们还探索了若干技术以应对部署带隐私机制的神经网络时的隐私-效用权衡，利用来自机器学习与密码学的思想提升差分隐私训练的准确率并降低加密运算的计算成本。
引用
@article{arxiv.1811.09951,
title = {A Fully Private Pipeline for Deep Learning on Electronic Health Records},
author = {Edward Chou and Thao Nguyen and Josh Beal and Albert Haque and Li Fei-Fei},
journal= {arXiv preprint arXiv:1811.09951},
year = {2018}
}