Fed-Safe：保护医疗联邦学习免受对抗攻击
计算机视觉与模式识别
2023-10-16 v1
摘要
本文探讨了联邦学习在医学图像分析应用中的安全性问题。当前面向鲁棒性的方法，如对抗训练、安全聚合和同态加密，常常面临隐私泄露的风险。核心目标是在保持模型对抗操纵的鲁棒性的同时，防御网络潜在的隐私泄露。我们表明，在联邦设置的隐私保证基础上引入分布式噪声，能够开发出一种兼具对抗鲁棒性且满足联邦隐私标准的模型。我们在癌症影像的多种攻击场景、参数和用例中进行了综合评估，重点关注病理学、脑膜瘤和胶质瘤。结果表明，引入分布式噪声可达到与传统对抗训练相当的安全水平，同时所需用于建立鲁棒模型的再训练样本更少。
引用
@article{arxiv.2310.08681,
title = {Fed-Safe: Securing Federated Learning in Healthcare Against Adversarial Attacks},
author = {Erfan Darzi and Nanna M. Sijtsema and P. M. A van Ooijen},
journal= {arXiv preprint arXiv:2310.08681},
year = {2023}
}