Jan, 2024
数字医疗领域联邦学习的安全与隐私问题及解决方案
Security and Privacy Issues and Solutions in Federated Learning for Digital Healthcare
Hyejun Jeong, Tai-Myoung Chung
TL;DR联邦学习在医疗保健行业有巨大潜力,可以解决数据收集和隐私保护的问题,然而,攻击和防御方面的挑战仍需进一步研究以实现更强大的联邦学习。
Abstract
The advent of federated learning has enabled the creation of a
high-performing model as if it had been trained on a considerable amount of
data. A multitude of participants and a server cooperatively train a model
without the need for data disclosure or collection. The →
发现论文,激发创造
联邦学习的安全与隐私问题
分布式学习中的联邦学习存在安全和隐私挑战,本研究针对各类机器学习模型,包括大型语言模型,提出了安全和隐私挑战的综合分类,重点关注聚合器和参与者的攻击,包括投毒攻击、后门攻击、成员推断攻击、生成对抗网络攻击和差分隐私攻击,同时提出了未来研究的新方向,旨在强化联邦学习系统以应对新兴安全风险并保护分布式学习环境中的敏感数据隐私。
Jul, 2023
医疗中的联邦学习:模型不端、安全挑战、应用及未来研究方向 -- 系统综述
通过分析医疗保健领域中已经存在的研究文献,本研究系统评估了联邦学习在提供隐私保护的同时维护医疗数据分析的完整性和可用性方面的效力,同时探讨了实际应用及其影响,突出未来的研究方向,旨在完善联邦学习的实现、增强数据安全协议,并将联邦学习拓展到更广泛的医疗应用领域,为未来的研究人员和实践者提供帮助。
May, 2024
医疗信息学的联邦学习
通过联邦学习机制,能够保持本地机构中的敏感数据,同时在中央服务器上培训共享全球模型,从而改进卫生保健数据的隐私保护和数据分析,以解决医疗卫生数据碎片化和保密性问题。
Nov, 2019
联邦学习的进展:模型、方法和隐私
本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题,提出了一种更加通用的算法设计框架、攻击场景和防御方法,致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。
Feb, 2023
联邦学习中的公平性和隐私以及在医疗保健领域的影响
分布式学习中的公平性在医疗保健领域中的实现和支持带来了一些挑战和考虑因素,本文旨在概述公平联邦学习的典型生命周期,并提供一个更新的分类方法以反映当前实现中的公平性状态。
Aug, 2023