DP-RuL: 面向临床决策支持系统的差分隐私规则学习
密码学与安全
2024-05-17 v1
摘要
在基于规则的临床决策支持系统(CDSS)中使用患者数据会引发严重的隐私问题。隐私保护CDSS的目标是从个体客户端的局部规则集中学习群体规则集，同时保护规则集中可能包含的敏感信息。我们提出了首个针对该问题的研究工作，并开发了一个基于本地差分隐私(LDP)的群体规则集学习框架，适用于分布式CDSS及其他分布式场景。我们的规则发现协议采用集成LDP的蒙特卡洛树搜索(MCTS)方法，以结构化方式搜索规则语法并找到客户端可能拥有的规则结构。向客户端发送随机响应查询，以确定规则语法中值得搜索的路径。此外，我们引入了一种自适应预算分配方法，该方法动态决定每次查询使用的隐私损失预算，从而获得更好的隐私-效用权衡。我们使用三个临床数据集评估了该方法，发现即使在低隐私损失预算下，也能学习到具有高覆盖率（规则广度）和临床效用的群体规则集。
引用
@article{arxiv.2405.09721,
title = {DP-RuL: Differentially-Private Rule Learning for Clinical Decision Support Systems},
author = {Josephine Lamp and Lu Feng and David Evans},
journal= {arXiv preprint arXiv:2405.09721},
year = {2024}
}