边缘云计算中基于生成对抗网络的联邦学习用于 COVID-19 检测
信号处理
2022-01-13 v1 密码学与安全
摘要
COVID-19 已在全球迅速传播并成为致命大流行病。近来，许多基于人工智能的方法被用于 COVID-19 检测，但它们通常需要与云数据中心进行公共数据共享，因而存在隐私隐患。本文提出一种称为 FedGAN 的新联邦学习方案，用于在边缘云计算中利用生成对抗网络（GANs）生成逼真的 COVID-19 图像，以促进隐私增强的 COVID-19 检测。具体而言，我们首先提出一种 GAN，其中每个基于边缘的医疗机构处基于卷积神经网络（CNNs）的判别器与生成器交替训练，以模仿真实 COVID-19 数据分布。然后，我们提出一种新的联邦学习解决方案，允许本地 GAN 与云服务器协作并交换学习参数，旨在丰富全局 GAN 模型以生成逼真 COVID-19 图像，而无需共享实际数据。为增强联邦 COVID-19 数据分析中的隐私，我们在每家医疗机构集成了差分隐私方案。此外，我们提出一种基于区块链的新 FedGAN 框架用于安全 COVID-19 数据分析，通过以低运行延迟的新挖矿方案使 FL 过程去中心化。仿真结果证明了我们的方法在 COVID-19 检测上相对于最先进方案的优越性。
引用
@article{arxiv.2110.07136,
title = {Federated Learning for COVID-19 Detection with Generative Adversarial Networks in Edge Cloud Computing},
author = {Dinh C. Nguyen and Ming Ding and Pubudu N. Pathirana and Aruna Seneviratne and Albert Y. Zomaya},
journal= {arXiv preprint arXiv:2110.07136},
year = {2022}
}
备注
Accepted at IEEE Internet of Things Journal, 14 pages