基于 PATE 的去中心化差分隐私分割
计算机视觉与模式识别
2020-04-15 v1 密码学与安全
机器学习
机器学习
摘要
在医学机器学习中保护隐私时，两个重要考虑是（1）将数据保留在机构本地，以及（2）避免从训练模型中推断敏感信息。这两者通常分别使用联邦学习和差分隐私来解决。然而，常用的联邦平均（Federated Averaging）算法需要参与机构之间高度同步。为此，我们将注意力转向教师集成私有聚合（Private Aggregation of Teacher Ensembles, PATE），其中所有本地模型可独立训练而无需机构间通信。因此，本文旨在探索最初为分类设计的 PATE 如何能最好地适用于语义分割。为此，我们构建分割掩码的低维表示，学生可通过向私有聚合器进行低灵敏度查询来获得。在脑肿瘤分割（BraTS 2019）数据集上，基于自编码器的 PATE 变体在相同隐私保证下比基于带噪联邦平均的先前工作取得了更高的 Dice 系数。
引用
@article{arxiv.2004.06567,
title = {Decentralized Differentially Private Segmentation with PATE},
author = {Dominik Fay and Jens Sjölund and Tobias J. Oechtering},
journal= {arXiv preprint arXiv:2004.06567},
year = {2020}
}
备注
Under review for MICCAI 2020