面向医疗领域的公平和隐私保护联邦学习
摘要：医疗领域中，联合学习使数据共享变得可能，这可能因为数据使用法规、安全和通信限制而变得困难。分布式和共享数据模型使模型能够从异质客户端中学习并具有一般化能力。虽然解决了数据安全、隐私和脆弱性的考虑，但在给定的学习网络中，数据本身并没有在节点之间共享。另一方面，联邦学习模型经常面临变量客户端数据分布的挑战，并基于独立同分布的数据假设进行操作。随着该领域的发展，公平感知联合学习机制的概念也被引入，并对医疗领域具有独特的重要性，其中存在许多敏感群体和受保护类别。本文为FAFL机制在医疗领域的各种异质条件下创建了基准方法论，这些条件通常超出了当前联合学习基准的范围，例如医学成像和波形数据格式。我们的结果表明，不同的FAFL方案在高水平的数据异质性下的响应变化很大。此外，在保护隐私的条件下这样做，会比典型的联合学习方案导致网络通信成本和延迟显著增加。
作者：Navya Annapareddy, Yingzheng Liu, Judy Fox
论文ID：2308.01529
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-08-04