面向敏感健康数据的差分隐私联邦学习
机器学习
2020-02-28 v3 密码学与安全
摘要
利用真实世界健康数据进行机器学习任务需要应对诸多实际挑战，例如分布式数据孤岛、由个人敏感数据构建集中式数据库所带来的隐私问题、从多个站点传输和整合数据的资源限制，以及单点故障风险。本文引入一种联邦学习框架，可从不同站点本地持有的分布式健康数据中学习全局模型。该框架提供两级隐私保护。首先，在模型训练过程中，它不在站点之间或与集中式服务器之间移动或共享原始数据。其次，它使用差分隐私机制进一步保护模型免受潜在的隐私攻击。我们在两个医疗应用上使用该框架对100万患者的真实世界电子健康数据进行了全面评估。我们证明了该联邦学习框架在提供更高层级隐私保护并保持全局模型效用的可行性与有效性。
引用
@article{arxiv.1910.02578,
title = {Differential Privacy-enabled Federated Learning for Sensitive Health Data},
author = {Olivia Choudhury and Aris Gkoulalas-Divanis and Theodoros Salonidis and Issa Sylla and Yoonyoung Park and Grace Hsu and Amar Das},
journal= {arXiv preprint arXiv:1910.02578},
year = {2020}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019