PrivFED -- 面向增强乳腺癌诊断的隐私保护联邦学习框架
密码学与安全
2024-05-15 v1
摘要
在医疗机构的日常运营中，发生了大量的可识别个人信息(PII)数据交换，使数据暴露于各种网络安全威胁之下。本研究引入一种基于威斯康星数据集训练的联邦学习框架，以缓解数据稀缺和不平衡等挑战问题。融合合成少数过采样技术(SMOTE)以增强鲁棒性，同时采用隔离森林来增强模型对异常值的抗性。Catboost作为所有设备上的分类工具。通过主成分分析(PCA)识别最优特征以提高准确率，强调了超参数调优的重要性，如同较较分析所述。该模型在边缘设备上的平均准确率为99.95%，在中央服务器上为98%。
引用
@article{arxiv.2405.08084,
title = {PrivFED -- A Framework for Privacy-Preserving Federated Learning in Enhanced Breast Cancer Diagnosis},
author = {Maithili Jha and S. Maitri and M. Lohithdakshan and Shiny Duela J and K. Raja},
journal= {arXiv preprint arXiv:2405.08084},
year = {2024}
}
备注
Presented in ICIITB 2024 organized by Modern College of Business and Science, Oman