面向智能移动健康系统的隐私保护边缘联邦学习
机器学习
2024-09-16 v2 密码学与安全
摘要
机器学习（ML）算法通常是为所有数据存储于单一数据中心并在其中进行训练的场景而设计的。然而，在许多应用中（例如医疗保健领域），训练数据分布在多个实体之间（例如不同的医院或患者的移动设备/传感器）。同时，出于隐私顾虑和法律问题，在某些情况下还因为通信和计算开销，将数据传输到中心位置进行学习显然不可行。联邦学习（FL）是最先进的协作式 ML 方法，用于在持有本地数据样本的多方之间训练 ML 模型而无需共享数据。然而，在此类边缘物联网（IoT）系统（例如涉及敏感个人/医疗数据的移动健康和可穿戴技术）上以隐私保护方式实现分布式数据学习带来了重大挑战，这主要归因于其严苛的资源限制，即有限的计算能力、通信带宽、内存存储和电池寿命。在本文中，我们提出了一种在 IoT 基础设施上面向资源受限的移动健康和可穿戴技术的隐私保护边缘 FL 框架。我们广泛评估了所提出的框架，并基于使用可穿戴技术进行癫痫监测的癫痫发作检测应用，在 Amazon 的 AWS 云平台上提供了我们技术的实现。
引用
@article{arxiv.2405.05611,
title = {Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems},
author = {Amin Aminifar and Matin Shokri and Amir Aminifar},
journal= {arXiv preprint arXiv:2405.05611},
year = {2024}
}