全球分布式元宇宙医疗系统的全局差分隐私
摘要：元宇宙启用的数字化医疗系统预计将利用大量的个人健康数据，同时确保个人的敏感或私人信息不被披露。机器学习和人工智能（ML/AI）技术可以广泛应用于元宇宙医疗系统，如虚拟诊所和智能咨询。在这种情况下，关键挑战是数据隐私法可能不允许虚拟诊所与其他方分享其医疗数据。此外，临床AI/ML模型本身携带着关于医疗数据集的广泛信息，以至于恶意参与者可以在元宇宙中轻易推断出私人属性（如果不严格将其私人化）。在本文中，受到“隐身模式”的启发，该模式最近被开发为保护元宇宙用户隐私的有前途的解决方案，我们提出了分布式元宇宙医疗系统的全局差分隐私。在我们的方案中，在与其他节点共享之前，将一种人工“混淆”噪声的随机机制应用于联邦临床ML/AI模型。通过这种方式，我们为恶意参与者和诚实但好奇的元宇宙服务器提供了可调节的分布式隐私级别。我们对乳腺癌威斯康辛数据集（BCWD）进行的评估突出了在不同隐私级别下的诊断准确性和损失函数的隐私-效用权衡（PUT）。我们还将我们的隐私方案与非隐私的集中式设置在诊断准确性方面进行了比较。
作者：Mehdi Letafati and Safa Otoum
论文ID：2308.04439
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-08-22