面向医疗健康中自适应隐私保护联邦学习的鲁棒聚合
密码学与安全
2020-09-18 v1
摘要
联邦学习 (FL) 使得多个数据持有方无需共享数据即可协作训练模型。鉴于患者医疗健康数据的隐私法规,医疗健康中的基于学习的系统可极大受益于隐私保护 FL 方法。然而,FL 中典型的模型聚合方法对局部模型更新敏感,可能导致无法学习到鲁棒且准确的全局模型。在本工作中,我们在应用于医疗健康数据的 FL 中实现并评估了不同的鲁棒聚合方法。此外,我们表明此类方法能够在训练期间检测并丢弃故障或恶意的局部客户端。我们使用两个真实世界医疗健康数据集进行了两组实验,用于训练医疗诊断分类任务。每个数据集用于模拟三种不同鲁棒 FL 聚合策略在面对不同投毒攻击时的性能。结果显示,隐私保护方法可成功与拜占庭鲁棒聚合技术一同应用。我们特别观察到,使用差分隐私 (DP) 并未显著影响不同聚合策略的最终学习收敛。
引用
@article{arxiv.2009.08294,
title = {Robust Aggregation for Adaptive Privacy Preserving Federated Learning in Healthcare},
author = {Matei Grama and Maria Musat and Luis Muñoz-González and Jonathan Passerat-Palmbach and Daniel Rueckert and Amir Alansary},
journal= {arXiv preprint arXiv:2009.08294},
year = {2020}
}