数字医疗联邦学习中的安全与隐私问题及解决方案
密码学与安全
2024-01-17 v1 人工智能
摘要
联邦学习的出现使得创建高性能模型成为可能，如同在大量数据上训练所得。众多参与方与一台服务器协同训练模型，无需披露或收集数据。对于安全与隐私至关重要的医疗行业，可从这种新的学习范式中受益匪浅，因为严格的数据政策已使数据收集不再可行。然而，未解决的挑战和不足的攻击缓解措施正阻碍其应用。攻击面与传统集中式学习不同，在于服务器与客户端在每轮训练之间进行通信。因此，本文基于扩大的攻击面，呈现了漏洞、攻击与防御措施，并为构建更鲁棒的联邦学习提出了有前景的新研究方向。
引用
@article{arxiv.2401.08458,
title = {Security and Privacy Issues and Solutions in Federated Learning for Digital Healthcare},
author = {Hyejun Jeong and Tai-Myoung Chung},
journal= {arXiv preprint arXiv:2401.08458},
year = {2024}
}