增强隐私：面向实际医疗保健应用的联邦学习安全聚合
密码学与安全
2024-09-04 v1 人工智能
摘要
在实际场景中部署联邦学习（FL），特别是在医疗保健领域，面临着通信和安全挑战。特别是就联邦聚合过程而言，研究人员一直致力于研究安全聚合（SA）方案，以对来自客户端传输的模型参数提供隐私保障。然而，当前可用的FL框架中，SA在实际可用的性仍有限，due to计算和通信瓶颈。为填补这一空白，本研究探索了在开源Fed-BioMed框架中实现SA的可能性。我们实现并比较了两种SA协议，Joye-Libert（JL）和低开销遮蔽（LOM），并在医疗数据分析问题中提供了广泛的基准测试。我们的理论和实验评估在四个数据集上表明，SA协议能够在保持任务准确性的同时有效保护隐私。在CPU上训练期间的计算开销小于1%，在GPU上小于50%（针对大型模型），保护阶段耗时不足10秒。将SA纳入Fed-BioMed对比于非SA场景的任务准确性影响不超过2%。总体而言，本研究表明了SA在实际医疗保健应用中的可行性，并在减少隐私保护技术在敏感应用中的采用差距方面作出了贡献。
引用
@article{arxiv.2409.00974,
title = {Enhancing Privacy in Federated Learning: Secure Aggregation for Real-World Healthcare Applications},
author = {Riccardo Taiello and Sergen Cansiz and Marc Vesin and Francesco Cremonesi and Lucia Innocenti and Melek Önen and Marco Lorenzi},
journal= {arXiv preprint arXiv:2409.00974},
year = {2024}
}
备注
Accepted at the 5-th MICCAI Workshop on Distributed, Collaborative and Federated Learning in Conjunction with MICCAI 2024