面向医疗健康的隐私保护机器学习：开放挑战与未来展望
机器学习
2024-10-01 v1 密码学与安全
摘要
机器学习（ML）近来在建模各种医疗健康预测任务中展现出巨大成功，从疾病诊断与预后到患者治疗。由于医疗数据的敏感性，必须沿整个 ML 流水线考虑隐私，从模型训练到推理。在本文中，我们对近期关于面向医疗健康的隐私保护机器学习（PPML）的文献进行了综述。我们主要关注隐私保护训练与推理即服务，并对现有趋势进行全面综述、识别挑战并讨论未来研究方向的机遇。本综述旨在指导医疗健康中私有且高效的 ML 模型开发，期望将研究努力转化为真实世界环境。
引用
@article{arxiv.2303.15563,
title = {Privacy-preserving machine learning for healthcare: open challenges and future perspectives},
author = {Alejandro Guerra-Manzanares and L. Julian Lechuga Lopez and Michail Maniatakos and Farah E. Shamout},
journal= {arXiv preprint arXiv:2303.15563},
year = {2024}
}
备注
ICLR 2023 Workshop on Trustworthy Machine Learning for Healthcare (TML4H)