用于癌症预测的微分隐私联邦学习
机器学习
2021-03-25 v2 密码学与安全
机器学习
摘要
自 2014 年以来，NIH 资助的 iDASH（用于分析、匿名化、共享的数据集成）国家生物医学计算中心每年举办关于基因组数据隐私计算主题的竞赛。在 2020 年该竞赛的一个赛道中，参与者被要求提出一种使用差分隐私（DP）对基因组癌症预测模型进行联邦学习（FL）训练的方法，提交结果根据给定一组 DP 预算下的保留测试准确率进行排名。更确切地说，在该赛道中，我们的任务是从分割在两个虚拟中心之间的基因组数据训练一个用于预测乳腺癌发生的监督模型，同时通过 DP 确保关于模型传输的数据隐私。在本文中，我们展示了我们获得该竞赛第三名的提交方案。在竞赛期间，我们遇到了本文讨论的两个主要挑战：i) 确保隐私预算评估的正确性；ii) 在预测性能与隐私预算之间实现可接受的权衡。
引用
@article{arxiv.2101.02997,
title = {Differentially Private Federated Learning for Cancer Prediction},
author = {Constance Beguier and Jean Ogier du Terrail and Iqraa Meah and Mathieu Andreux and Eric W. Tramel},
journal= {arXiv preprint arXiv:2101.02997},
year = {2021}
}