医疗数据联邦学习中隐私威胁的深入分析
机器学习
2024-09-30 v1
摘要
联邦学习作为一种有前景的机器学习技术，在医疗领域的医学图像分析中正崭露头角，因为它被认为是保护敏感患者数据并遵守隐私法规的有效方法。然而，最近的研究表明，联邦学习的默认设置可能会无意中将私有训练数据暴露于隐私攻击中。因此，在医疗领域中此类隐私风险的严重程度及潜在的缓解策略仍不清晰。本文针对医疗数据联邦学习中的隐私风险分析与缓解做出了三项原创性贡献。首先，我们提出了一个整体框架 MedPFL，用于分析联邦学习环境中处理医疗数据时的隐私风险，并开发有效的隐私保护缓解策略。其次，通过我们的实证分析，证明了联邦学习在处理医学图像时存在严重的隐私风险，攻击者可以通过执行隐私攻击精确重建私有医学图像。第三，我们说明了在联邦学习中，添加随机噪声这一普遍的防御机制可能并不总是能有效保护医学图像免受隐私攻击，这对医疗数据隐私保护提出了独特且紧迫的挑战。此外，本文讨论了联邦学习环境中与医疗数据隐私保护相关的几个独特研究问题。我们在多个基准医学图像数据集上进行了大量实验，以分析和缓解与医疗数据联邦学习相关的隐私风险。
引用
@article{arxiv.2409.18907,
title = {In-depth Analysis of Privacy Threats in Federated Learning for Medical Data},
author = {Badhan Chandra Das and M. Hadi Amini and Yanzhao Wu},
journal= {arXiv preprint arXiv:2409.18907},
year = {2024}
}