面向敏感医疗数据的隐私保护异构联邦学习

在分散式设施普遍的医疗领域，机器学习面临两大挑战，涉及数据和模型的保护。数据层面的挑战涉及集中化处理包含敏感个人信息的数据时的数据隐私泄露。而模型层面的挑战源于局部模型的异构性，这些模型需要在确保其机密性以解决知识产权问题的同时进行协作训练。为应对这些挑战，我们提出了一个名为“弃权感知联邦投票”（AAFV）的新框架，该框架能够协作且机密地训练异构局部模型，同时保护数据隐私。这是通过将一种新颖的弃权感知投票机制和差分隐私机制集成到局部模型的预测中来实现的。具体而言，所提出的弃权感知投票机制利用基于阈值的弃权方法从异构局部模型中选择高置信度投票，这不仅增强了学习效用，还保护了模型机密性。此外，我们在糖尿病和住院患者死亡率这两个实际预测任务上实现了AAFV。实验证明了AAFV在测试准确性和隐私保护方面的有效性和机密性。