医学影像联邦学习中的度量隐私：改善收敛性与防止客户端推断攻击
机器学习
2025-02-04 v1 密码学与安全
摘要
联邦学习是一种分布式学习技术，允许在不同数据所有者参与下训练全局模型，而无需共享原始数据。该架构由一个中央服务器协调，该服务器聚合来自客户端的本地模型。此服务器可能是可信的，但网络中的所有节点并非如此。因此，可以使用差分隐私（DP）通过添加噪声来对全局模型进行隐私保护。然而，这可能会影响联邦架构各轮次的收敛性，具体影响还取决于所采用的聚合策略。在这项工作中，我们旨在引入度量隐私的概念，以减轻经典服务器端全局 DP 对聚合模型收敛性的影响。度量隐私是 DP 的一种松弛形式，适用于提供了距离概念的领域。我们通过计算本地模型之间差异的距离，从服务器端应用它。我们通过分析对六种经典聚合策略的影响，将我们的方法与标准 DP 进行了比较。所提出的方法被应用于一个医学影像示例，并在同质和非独立同分布（non-i.i.d）客户端的不同场景下进行了模拟。最后，我们引入了一种新颖的客户端推断攻击，其中一个半诚实客户端试图查明另一个客户端是否参与了训练，并研究了如何使用 DP 和度量隐私来缓解这种攻击。我们的评估表明，与标准 DP 相比，度量隐私可以提高模型性能，同时提供类似的针对客户端推断攻击的保护。
引用
@article{arxiv.2502.01352,
title = {Metric Privacy in Federated Learning for Medical Imaging: Improving Convergence and Preventing Client Inference Attacks},
author = {Judith Sáinz-Pardo Díaz and Andreas Athanasiou and Kangsoo Jung and Catuscia Palamidessi and Álvaro López García},
journal= {arXiv preprint arXiv:2502.01352},
year = {2025}
}