面向局部传染病动力学的差分隐私联邦学习

在疫情期间，迅速的反应至关紧要，以缓解疫情传播。对于这种反应，局部方法具有多项优势：限制所需资源，减少对更大范围干预的影响。然而，由于数据稀缺， 在局部规模上训练单独的机器学习（ML）模型往往不可行。数据集中化也具有挑战，因为其高度敏感性和隐私约束。本研究考虑基于德国县级和社区级，由相关地方卫生部门（LHA）管理的局部策略。为避免隐私问题阻碍详细情报的获取，我们提出一种可帮助公共卫生专家和决策者的隐私保护预测方法。采用联邦学习（FL）的 ML 方法在不集中化原始数据的情况下训练共享模型。将县级、社区级或 LHA 视为客户端，在实用性与隐私之间寻求平衡，我们研究基于客户端级差分隐私（DP）的 FL 框架。我们在最近案例计数的滑动窗口上训练共享的多层感知器，以预测病例数量，同时客户端仅交换被裁剪的范数更新，服务器使用 DP 噪声对更新进行聚合。我们在两个时期对新冠肺炎数据进行评估。如预期，严格的隐私会导致预测不稳定且不可用。 在中等强度的隐私下，DP 模型与非 DP 模型接近：November 2020 时 R2 约为 0.94（对照 0.95），平均绝对百分比误差（MAPE）为 26%；March 2022 时 R2 约为 0.88（对照 0.93），MAPE 为 21%。总体而言，客户端级 DP-FL 能在提供强隐私保障的同时交付有用的县级预测，具体取决于疫情阶段，允许隐私合规的地方卫生部门进行局部预测合作。