面向分布式元宇宙医疗系统的全局差分隐私
密码学与安全
2023-08-22 v2
摘要
支持元宇宙的数字医疗系统有望利用前所未有的大量个人健康数据，同时确保个人或私密信息不被泄露。机器学习与人工智能（ML/AI）技术可广泛用于元宇宙医疗系统，如虚拟诊所与智能问诊。在此类场景中，关键挑战在于数据隐私法规可能不允许虚拟诊所与其他方共享其医疗数据。此外，临床AI/ML模型本身承载了关于医疗数据集的广泛信息，使得私有属性可被元宇宙中的恶意行为者轻易推断（若未严格私有化）。本文受近期作为保护元宇宙用户隐私的有前景方案而提出的“隐身模式”思想启发，提出面向分布式元宇宙医疗系统的全局差分隐私。在我们的方案中，一种以人工“混合”噪声为形式的随机化机制被应用于联邦临床ML/AI模型，之后再与其他节点共享。以此方式，我们针对恶意行为者与诚实但好奇的元宇宙服务器提供了可调级别的分布式隐私。我们在威斯康星乳腺癌数据集（BCWD）上的评估突出了不同隐私级别下诊断准确率与损失函数方面的隐私-效用权衡（PUT）。我们还就诊断准确率将我们的私有方案与非私有集中式设置进行了比较。
引用
@article{arxiv.2308.04439,
title = {Global Differential Privacy for Distributed Metaverse Healthcare Systems},
author = {Mehdi Letafati and Safa Otoum},
journal= {arXiv preprint arXiv:2308.04439},
year = {2023}
}