基于节点级差分隐私的联邦生存分析：私有 Kaplan-Meier 曲线
密码学与安全
2025-09-03 v1 人工智能
分布式、并行与集群计算
机器学习
摘要
我们研究如何在保护患者隐私的前提下，通过节点级差分隐私计算 Kaplan-Meier 生存曲线。每个站点仅披露其曲线一次，添加的拉普拉斯噪声比例由公共时间网格长度决定；服务器随后对带噪声曲线进行平均，从而保持总体隐私预算不变。我们在五个隐私水平和三个分区情景（均匀、适度不平衡、高度不平衡）下，对四种一次性平滑技术进行基准测试：离散余弦变换、Haar 小波压缩、自适应总变异去噪以及对 NCCTG 肺癌队列下的 Weibull 参数模型拟合。总变异法给出最佳平均准确性，频域平滑器在最坏情况鲁棒性方面更优，Weibull 模型在最严格隐私设置下表现最稳定。在所有方法下，披露的曲线在隐私预算为0.5及以上时，经验 log-rank 类 I 误差保持在15%以下，表明无需迭代训练或重型密码学即可共享临床上有用的生存信息。
关键词
引用
@article{arxiv.2509.00615,
title = {Federated Survival Analysis with Node-Level Differential Privacy: Private Kaplan-Meier Curves},
author = {Narasimha Raghavan Veeraragavan and Jan Franz Nygård},
journal= {arXiv preprint arXiv:2509.00615},
year = {2025}
}
备注
This is the author's accepted version of the paper in IEEE FLTA 2025. The final version of record will appear in Proceedings of the IEEE International Conference on Federated Learning Technologies and Applications (FLTA 2025)