我们能否在1D CNN模型上使用分割学习进行隐私保护训练？
密码学与安全
2020-03-30 v1 机器学习
神经与进化计算
机器学习
摘要
一种称为分割学习（split learning）的新型协作学习近期被提出，旨在保护用户数据隐私而不向服务器泄露原始输入数据。它协作运行深度神经网络模型，将模型拆分为两部分，分别位于客户端和服务器端。因此，服务器无法直接访问客户端处理的原始数据。迄今为止，分割学习被认为是一种有前景的保护客户端原始数据的方法；例如，在医疗图像应用中使用2D卷积神经网络（CNN）模型保护了客户端数据。然而，分割学习是否可应用于其他深度学习模型，特别是1D CNN，仍不清楚。本文中，我们考察分割学习是否可用于对1D CNN模型进行隐私保护训练。为回答此问题，我们首先在分割学习下设计并实现了1D CNN模型，并利用医疗ECG数据验证其在检测心脏异常中的功效。我们观察到，分割学习下的1D CNN模型可达到与原（非分割）模型相同的98.9%准确率。然而，我们的评估表明，分割学习可能未能保护1D CNN模型上的原始数据隐私。为解决所观察到的分割学习中的隐私泄露，我们采用两种隐私泄露缓解技术：1）在客户端增加更多隐藏层，以及2）应用差分隐私。尽管这些缓解技术有助于减少隐私泄露，但它们对模型准确率有显著影响。因此，基于这些结果，我们得出结论：仅凭分割学习不足以维护1D CNN模型中原始序列数据的机密性。
引用
@article{arxiv.2003.12365,
title = {Can We Use Split Learning on 1D CNN Models for Privacy Preserving Training?},
author = {Sharif Abuadbba and Kyuyeon Kim and Minki Kim and Chandra Thapa and Seyit A. Camtepe and Yansong Gao and Hyoungshick Kim and Surya Nepal},
journal= {arXiv preprint arXiv:2003.12365},
year = {2020}
}
备注
13 pages, Accepted at ACM ASIACCS 2020