基于匿名随机杂交的联邦机器学习（FeARH）在医疗记录上的应用
计算机与社会
2020-11-24 v2 机器学习
摘要
有时电子医疗记录受限且难以集中用于机器学习，只能以涉及多机构的分布式方式进行训练。然而，有时某些机构可能基于所获参数推断出用于训练特定模型的隐私数据，这违反了隐私与某些法规。在此情形下，我们开发了一种称为“基于匿名随机杂交的联邦机器学习”（简称“FeARH”）的算法，主要利用杂交算法消除医疗记录数据与模型参数之间的关联，从而防止不可信机构窃取患者的隐私医疗记录。基于我们的实验，与集中式机器学习和原始联邦机器学习相比，我们的新算法具有相近的 AUCROC 与 AUCPR 结果，同时与原始联邦机器学习相比，我们的算法可大幅减少数据传输规模。
引用
@article{arxiv.2001.09751,
title = {Federated machine learning with Anonymous Random Hybridization (FeARH) on medical records},
author = {Jianfei Cui and He Zhu and Hao Deng and Ziwei Chen and Dianbo Liu},
journal= {arXiv preprint arXiv:2001.09751},
year = {2020}
}