通过可学习数据扰动防御生物医学图像的梯度反转攻击
计算机视觉与模式识别
2025-03-24 v1 机器学习
摘要
共享医疗数据和开展临床研究的需求日益增长，引发了隐私担忧。健康信息泄露因恶意攻击可能导致误诊和患者识别等严重问题。隐私保护机器学习（PPML）和隐私增强技术，特别是联邦学习（FL），近年来作为平衡隐私保护与数据效用的创新解决方案涌现；然而，它们也存在固有的隐私漏洞。梯度反转攻击构成了联邦学习中数据共享的主要威胁。研究人员已提出许多防御梯度反转攻击的方法。然而，现有针对医疗数据的防御方法缺乏泛化能力，即现有方案可能不适用于更广泛人群的数据。此外，大多数现有防御方法使用非医疗数据进行测试，这引发了对其在真实医疗系统中适用性的担忧。在本研究中，我们提出了一种针对联邦学习中梯度反转攻击的防御方法。我们通过潜在数据扰动和极小极大优化实现这一点，使用了通用图像和医学图像数据集。我们的方法与两个基线进行了比较，结果表明我们的方法在攻击者重构图像分类准确率降低 12.5% 的情况下优于基线。在保持约 90% 客户端分类准确率的模型效用水平下，该方法还使原始图像与重构图像之间的均方误差（MSE）提高了超过 12.4%。结果表明了一种针对医疗数据具有泛化能力的防御方法的潜力。
引用
@article{arxiv.2503.16542,
title = {Defending Against Gradient Inversion Attacks for Biomedical Images via Learnable Data Perturbation},
author = {Shiyi Jiang and Farshad Firouzi and Krishnendu Chakrabarty},
journal= {arXiv preprint arXiv:2503.16542},
year = {2025}
}