MedHE：面向医疗区域的自适应梯度稀疏化通信高效隐私保护联邦学习
密码学与安全
2025-11-13 v1 人工智能
摘要
医疗联邦学习需要在资源受限的医疗机构之间保持强隐私保证的同时维持计算效率。本文提出MedHE框架，融合自适应梯度稀疏化与CKKS同态加密，实现对敏感医疗数据的隐私保护协作学习。我们引入带误差补偿的动态阈值机制，用于top-k梯度选择，实现97.5%的通信减少，同时保持模型效用。我们在Ring Learning with Errors假设下提供正式的安全分析，展示在ε≤1.0下的差分隐私保证。统计测试在5次独立试验中表明，MedHE实现了89.5%±0.8%的准确率，维持与标准联邦学习相当的性能(p=0.32)，同时将通信从每轮训练的1277 MB降至32 MB。全面评估表明MedHE在实际医疗部署中具有可行性，符合HIPAA合规要求，并可扩展至100+机构。
引用
@article{arxiv.2511.09043,
title = {MedHE: Communication-Efficient Privacy-Preserving Federated Learning with Adaptive Gradient Sparsification for Healthcare},
author = {Farjana Yesmin},
journal= {arXiv preprint arXiv:2511.09043},
year = {2025}
}
备注
8 pages, 4 Figures, 5 Tables