联邦学习在智能医疗系统中用于隐私保护的综合综述
系统与控制
2022-03-21 v1 密码学与安全
机器学习
系统与控制
摘要
电子设备与通信基础设施的最新进展借助 IoMT 设备将传统医疗系统变革为智能医疗系统。然而，由于人工智能(AI)的集中式训练方法，移动与可穿戴 IoMT 设备的使用引发了关于医院与终端用户间所通信信息的隐私担忧。IoMT 设备传递的信息高度机密，并可能被对手获取。对此，联邦学习(FL)作为一种分布式 AI 范式，在不访问参与者机密数据的情况下为 IoMT 中的隐私保护开辟了新机遇。此外，FL 仅共享梯度，从而为终端用户提供隐私。鉴于 FL 的这些特性，本文首先提出 IoMT 中的隐私相关问题。随后，我们阐述 FL 在 IoMT 网络中用于隐私保护的作用，并介绍一些融合深度强化学习(DRL)、数字孪生与生成对抗网络(GANs)的先进 FL 架构以检测隐私威胁。接着，我们给出 FL 在智能医疗系统中的一些实际机遇。最后，我们通过提供 FL 在未来智能医疗系统中可使用的开放研究挑战来结束本综述。
引用
@article{arxiv.2203.09702,
title = {Federated Learning for Privacy Preservation in Smart Healthcare Systems: A Comprehensive Survey},
author = {Mansoor Ali and Faisal Naeem and Muhammad Tariq and Geroges Kaddoum},
journal= {arXiv preprint arXiv:2203.09702},
year = {2022}
}