面向电子健康记录的联邦与差分隐私学习
机器学习
2019-11-15 v1 机器学习
摘要
联邦学习等协作式与去中心化机器学习技术的应用，有望在低资源环境下实现临床风险预测模型的开发与部署，而无需共享或集中存储敏感数据。该过程需要协作实体间通信模型权重或更新，但患者在何种程度上因此泄露隐私尚不清楚。为深入理解此问题，我们研究了在隐私与非隐私设定下集中式与联邦学习的效能。我们所考虑的临床预测任务为 eICU 协作研究数据库中三十一家医院的长住院时长与院内死亡的预测。我们发现，在集中式设定下应用差分隐私随机梯度下降以获得强隐私界是直接可行的，但在联邦设定下则困难得多。
引用
@article{arxiv.1911.05861,
title = {Federated and Differentially Private Learning for Electronic Health Records},
author = {Stephen R. Pfohl and Andrew M. Dai and Katherine Heller},
journal= {arXiv preprint arXiv:1911.05861},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract