联邦医学影像中通过自适应中介实现客户端级差分隐私

尽管近期通过差分隐私（DP）增强联邦学习（FL）隐私的研究取得进展，但 DP 在隐私保护与时真实世界医疗场景性能之间的权衡仍待探索。本文中，我们提出在客户端级 DP 背景下优化该权衡，其关注通信过程中的隐私。然而，医学影像的 FL 通常涉及远少于其他领域（如移动设备）的参与者（医院），因此确保客户端满足差分隐私更具挑战。为解决此问题，我们提出一种自适应中介策略，在不损害隐私的前提下提升性能。具体而言，我们从理论上发现将客户端拆分为子客户端（作为医院与服务器之间的中介）能够缓解 DP 引入的噪声而不损害隐私。我们提出的方法在两个公开数据集上的分类与分割任务中进行了实证评估，其有效性通过显著的性能提升与全面的分析研究得到证明。代码见：https://github.com/med-air/Client-DP-FL。