Dopamine：基于医疗数据的差分隐私联邦学习
机器学习
2021-02-01 v2 密码学与安全
分布式、并行与集群计算
摘要
尽管丰富的医疗数据集托管于分布世界各地的医院中，但对患者隐私的担忧阻碍了利用此类数据训练用于医疗诊断的深度神经网络（DNNs）。我们提出 Dopamine，一个在分布式数据集上训练 DNNs 的系统，其采用联邦学习（FL）与差分隐私随机梯度下降（DPSGD），并结合安全聚合，能够比其他方法在差分隐私（DP）保证与 DNN 准确率之间建立更好的权衡。在糖尿病视网膜病变（DR）任务上的结果表明，Dopamine 提供的 DP 保证接近于集中式训练对应方案，同时比在无协调情况下应用 DPSGD 的并行 DP 联邦学习取得更好的分类准确率。代码见 https://github.com/ipc-lab/private-ml-for-health。
引用
@article{arxiv.2101.11693,
title = {Dopamine: Differentially Private Federated Learning on Medical Data},
author = {Mohammad Malekzadeh and Burak Hasircioglu and Nitish Mital and Kunal Katarya and Mehmet Emre Ozfatura and Deniz Gündüz},
journal= {arXiv preprint arXiv:2101.11693},
year = {2021}
}
备注
The Second AAAI Workshop on Privacy-Preserving Artificial Intelligence (PPAI-21)