差分隐私异质电子健康记录生成
机器学习
2020-06-08 v1 机器学习
摘要
电子健康记录（EHRs）通常被机器学习界用于研究与医疗保健和医学具体相关的问题。EHRs 的优势在于易于分发且包含许多对例如分类问题有用的特征。使 EHR 数据集不同于典型机器学习数据集的是，由于其高维性，它们通常非常稀疏，且常包含异质（混合）数据类型。此外，这些数据集涉及敏感信息，由于隐私担忧，限制了使用它们学到的任何模型的分发。出于这些原因，在实践中使用 EHR 数据提出了真正的挑战。在本工作中，我们探索使用生成对抗网络（GAN）生成合成的异质 EHR，目标是将这些合成记录替代现有数据集用于下游分类任务。我们将进一步探索应用差分隐私（DP）保持优化以产生 DP 合成 EHR 数据集，其提供严格的隐私保证，因此在现实世界中可共享且可用。在我们的模型合成异质数据上（通过 AUROC、AUPRC 和准确率衡量）的性能，在非 DP 模型用于二分类任务测试时非常接近原始数据集（在基线的 3 - 5% 以内）。使用强 DP，我们的模型仍产生对机器学习任务有用的数据，尽管在我们测试的分类任务中招致约 17% 的性能损失。我们额外进行了子群体分析，发现就非 DP 或 DP 变体在男性/女性群体或 0-18、19-50 和 51+ 年龄组的分类性能而言，我们的模型相较于基线未向合成 EHR 数据中引入任何偏差。
引用
@article{arxiv.2006.03423,
title = {Generation of Differentially Private Heterogeneous Electronic Health Records},
author = {Kieran Chin-Cheong and Thomas Sutter and Julia E. Vogt},
journal= {arXiv preprint arXiv:2006.03423},
year = {2020}
}