基于同态加密与联邦学习的隐私保护CNN训练：以COVID-19检测为用例
密码学与安全
2022-04-19 v1 机器学习
摘要
医疗数据在隐私与安全方面往往高度敏感。联邦学习作为机器学习技术的一种，已开始用于提升医疗数据的隐私与安全性。在联邦学习中，训练数据分布于多台机器上，并以协作方式执行学习过程。针对深度学习（DL）模型存在多种隐私攻击，攻击者借此获取敏感信息。因此，DL模型本身应免受对抗性攻击，尤其对于使用医疗数据的应用而言。该问题的一种解决方案是基于同态加密的模型防护以抵御恶意协作者。本文提出一种利用同态加密处理医疗数据的隐私保护联邦学习算法。所提算法采用安全多方计算协议以保护深度学习模型免受对手攻击。本研究使用真实世界医疗数据集，从模型性能角度对所提算法进行了评估。
引用
@article{arxiv.2204.07752,
title = {Homomorphic Encryption and Federated Learning based Privacy-Preserving CNN Training: COVID-19 Detection Use-Case},
author = {Febrianti Wibawa and Ferhat Ozgur Catak and Salih Sarp and Murat Kuzlu and Umit Cali},
journal= {arXiv preprint arXiv:2204.07752},
year = {2022}
}
备注
European Interdisciplinary Cybersecurity Conference (EICC) 2022 publication