FedScore：用于联邦评分系统开发的隐私保护框架
机器学习
2023-11-17 v1 人工智能
密码学与安全
摘要
我们提出 FedScore，一种隐私保护联邦学习框架，用于跨多站点生成评分系统以促进机构间协作。FedScore 框架包含五个模块：联邦变量排序、联邦变量变换、联邦分数推导、联邦模型选择与联邦模型评估。为说明用法并评估 FedScore 性能，我们利用从新加坡一家三级医院划分出的 10 个模拟站点，构建了访急诊后 30 天内死亡预测的假设全局评分系统。我们采用已有评分生成器在各站点独立构建 10 个本地评分系统，并基于集中数据开发一评分系统作比较。我们使用受试者工作特征（ROC）分析将所得 FedScore 模型性能与其他评分模型比较。FedScore 模型在所有站点的平均曲线下面积（AUC）达 0.763，标准差（SD）为 0.020。我们还计算了各本地模型的平均 AUC 与 SD，FedScore 模型展现出良好准确性与稳定性，其平均 AUC 最接近合并模型且 SD 低于多数本地模型。本研究表明 FedScore 是一种具潜在良好泛化性的隐私保护评分系统生成器。
引用
@article{arxiv.2303.00282,
title = {FedScore: A privacy-preserving framework for federated scoring system development},
author = {Siqi Li and Yilin Ning and Marcus Eng Hock Ong and Bibhas Chakraborty and Chuan Hong and Feng Xie and Han Yuan and Mingxuan Liu and Daniel M. Buckland and Yong Chen and Nan Liu},
journal= {arXiv preprint arXiv:2303.00282},
year = {2023}
}