医疗数据差分隐私联邦生存分析中的实际挑战
机器学习
2022-02-09 v1 密码学与安全
摘要
生存分析或时间-事件分析旨在建模并预测某一感兴趣事件在群体或个体中发生所需的时间。在医学背景下，该事件可能是死亡、转移、癌症复发等时间。近年来，专为生存分析设计的神经网络的使用已变得更为流行，并成为比传统方法更具吸引力的替代方案。在本文中，我们利用神经网络的固有特性来联邦化这些模型的训练过程。这在医学领域至关重要，因为数据稀缺，且多个医疗中心的协作对于就某项治疗或疾病的特性做出确定性结论必不可少。为确保数据集的隐私，通常在联邦学习之上利用差分隐私。差分隐私通过向训练的不同阶段引入随机噪声来起作用，从而使 adversary 更难提取有关数据的细节。然而，在医疗数据集较小且仅有少数数据中心的现实设定下，这种噪声使得模型更难收敛。为解决该问题，我们提出 DPFed-post，它在私有联邦学习方案中添加了一个后处理阶段。这一额外步骤有助于调节带噪平均参数更新的幅度，并使模型更易收敛。在我们的实验中，我们选择了 3 个现实设定下的真实世界数据集，其中每个医疗中心仅拥有数百条记录，并且我们表明，与标准差分隐私联邦学习方案相比，DPFed-post 成功地将模型性能平均提升了高达 。
引用
@article{arxiv.2202.03758,
title = {Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data},
author = {Shadi Rahimian and Raouf Kerkouche and Ina Kurth and Mario Fritz},
journal= {arXiv preprint arXiv:2202.03758},
year = {2022}
}