打造完美平衡：在协作医疗预测平台中实现隐私保护与实用性提升
机器学习
2025-07-16 v1
摘要
在线协作医疗预测平台通过利用海量电子健康记录实现便利性与实时反馈，但隐私问题与预测质量低下可能阻碍患者参与与医生合作。本文首先阐明面临的隐私攻击，包括针对患者的属性攻击与针对医生的模型提取攻击，并明确对应的隐私原则。随后提出一种隐私保护机制，集成于新型单次分布式学习框架，以同时满足隐私要求与预测性能目标。在统计学习理论框架下，理论证明该分布式学习框架可在特定隐私要求下实现最优预测性能。进一步通过仿真实验与真实数据实验验证了所developed隐私保护协作医疗预测平台的有效性。
引用
@article{arxiv.2507.11187,
title = {Striking the Perfect Balance: Preserving Privacy While Boosting Utility in Collaborative Medical Prediction Platforms},
author = {Shao-Bo Lin and Xiaotong Liu and Yao Wang},
journal= {arXiv preprint arXiv:2507.11187},
year = {2025}
}