基于联邦学习设计的 COVID-19 影像数据隐私保护：理论框架
密码学与安全
2020-10-14 v1 计算机视觉与模式识别
机器学习
摘要
为应对 COVID-19 医疗挑战，我们需要在全球范围内频繁共享健康数据、知识和资源。然而，在这个数字时代，数据隐私是一个大问题，需要将隐私保障安全地嵌入到所有使用健康数据的技术解决方案的设计中。在本文中，我们引入了设计即差分隐私（dPbD）框架，并讨论其向联邦机器学习系统中的嵌入。为限定本文范围，我们聚焦于通过计算机视觉和深度学习方法进行疾病诊断的 COVID-19 影像数据隐私问题场景。我们讨论了所提出的联邦机器学习系统设计的评估，并探讨设计即差分隐私（dPbD）框架如何以可扩展性和鲁棒性增强联邦学习系统中的数据隐私。我们认为，可扩展的差分隐私联邦学习设计是构建安全、私密且协作的机器学习模型（如抗击 COVID-19 挑战所需）的一种有前景的解决方案。
引用
@article{arxiv.2010.06177,
title = {COVID-19 Imaging Data Privacy by Federated Learning Design: A Theoretical Framework},
author = {Anwaar Ulhaq and Oliver Burmeister},
journal= {arXiv preprint arXiv:2010.06177},
year = {2020}
}
备注
2 images, 0 Table,8 pages