DPCOVID：保护隐私的联邦新冠肺炎检测

冠状病毒（COVID-19）对全球经济与健康造成有害影响，已呈现出前所未有的全球危机。COVID-19 病例数量迅速增加，且毫无停止迹象。这导致检测试剂盒与准确检测模型的严重短缺。近期一项研究表明，胸部 X 射线摄影在 COVID-19 检测中优于实验室检测。因此，使用胸部 X 射线摄影分析有助于在早期筛查疑似 COVID-19 病例。此外，患者数据是敏感的，必须加以保护，以避免通过模型更新及恶意攻击者的重构而泄露。本文提出一种基于胸部 X 射线图像、保护隐私的联邦学习（Federated Learning）系统用于 COVID-19 检测。首先，由胸部 X 射线图像构建联邦学习系统。其主要思想是在多家医院间建立去中心化模型，而不在医院之间共享数据。其次，我们首次表明，联邦学习用于 COVID-19 识别的精度在非独立同分布（Non-IID）数据下显著下降。随后我们提出一种策略，通过增加客户端总数、并行度（客户端比例）以及每客户端的计算量来提升模型在非独立同分布 COVID-19 数据上的精度。最后，我们应用差分隐私随机梯度下降（DP-SGD）以增强联邦学习模型对患者数据隐私的保护。还提出了一种策略以保持联邦学习的鲁棒性，确保模型的安全与准确。