基于差分隐私条件变分自编码器的嵌入式联邦数据共享
机器学习
2025-07-04 v1 计算机视觉与模式识别
图像与视频处理
摘要
深度学习 (DL) 已彻底变革了医学成像，但其采用受限于数据稀缺和隐私法规，限制了对多样化数据集的访问。联邦学习 (FL) 启用了去中心化训练，但 suffer from 高通信成本，常常仅限于单个下游任务，降低了灵活性。我们提出了一种通过差分隐私 (DP) 生成模型进行数据共享的方法。通过采用基础模型，我们提取紧凑、信息丰富的嵌入，减少冗余，降低计算开销。客户端协同训练一个差分隐私条件变分自编码器 (DP-CVAE) 以建模全局、隐私感知的数据分布，以支持多样化的下游任务。我们的做法经多个特征提取器验证，提高了隐私性、可扩展性和效率，优于传统 FL 分类器，同时确保差分隐私。此外，DP-CVAE 比 DP-CGAN 产生更高保真度的嵌入，所需参数数量减少 。
引用
@article{arxiv.2507.02671,
title = {Embedding-Based Federated Data Sharing via Differentially Private Conditional VAEs},
author = {Francesco Di Salvo and Hanh Huyen My Nguyen and Christian Ledig},
journal= {arXiv preprint arXiv:2507.02671},
year = {2025}
}
备注
Accepted to MICCAI 2025