实践中的隐私：X 射线图像中的私有 COVID-19 检测（扩展版）
机器学习
2026-02-03 v4 人工智能
密码学与安全
计算机视觉与模式识别
摘要
机器学习（ML）能够通过快速筛查大量图像来助力抗击 COVID-19 等疫情。为了在进行数据分析的同时保护患者隐私，我们构建了满足差分隐私（DP）的 ML 模型。先前探索私有 COVID-19 模型的工作部分基于小规模数据集，提供的隐私保障较弱或不清晰，且未研究实际隐私。我们提出改进以填补这些空白。我们考量了固有的类别不平衡，并在更严格隐私预算下更广泛地评估了效用-隐私权衡。我们的评估通过对黑盒成员推断攻击（MIAs）实证估计实际隐私来支撑。所引入的 DP 应有助于限制 MIA 带来的泄露威胁，而我们的实际分析是首个在 COVID-19 分类任务上检验该假设的工作。结果表明，所需的隐私水平可能因任务依赖的 MIA 实际威胁而异。结果进一步表明，随着 DP 保障增强，实证隐私泄露仅边际改善，因此 DP 对实际 MIA 防御的影响似乎有限。我们的发现指明了更好效用-隐私权衡的可能性，并认为针对攻击的实证隐私估计可在调优实际隐私中发挥关键作用。
引用
@article{arxiv.2211.11434,
title = {Privacy in Practice: Private COVID-19 Detection in X-Ray Images (Extended Version)},
author = {Lucas Lange and Maja Schneider and Peter Christen and Erhard Rahm},
journal= {arXiv preprint arXiv:2211.11434},
year = {2026}
}
备注
Extended version of the paper accepted at the 20th International Conference on Security and Cryptography SECRYPT 2023. This version is more detailed and includes additional content: a longer results chapter and an appendix containing a proof