联邦学习健康应用的安全可信网络架构

Apr, 2024

联邦学习健康应用的安全可信网络架构

A Secure and Trustworthy Network Architecture for Federated Learning Healthcare Applications

Antonio Boiano, Marco Di Gennaro, Luca Barbieri, Michele Carminati, Monica Nicoli...

TL;DRTRUSTroke 项目介绍了一种基于 Federated Learning 的网络基础架构，用于在医疗场景中辅助卒中预测，并分析了不同通信协议对网络操作的影响，最终提出了一种安全性架构，以提高信任水平。

Abstract

federated learning (FL) has emerged as a promising approach for privacy-preserving machine learning, particularly in sensitive domains such as healthcare. In this context, the →

federated learning privacy-preserving machine learning trustroke ischemic stroke prediction communication protocols

发现论文，激发创造

5G 网络安全联邦学习框架

本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。

May, 2020

智能医疗领域的联邦学习：一项调研

本综述介绍 FL 在智能医疗中的应用，包括资源感知型 FL，安全和隐私意识型 FL，激励型 FL 和个性化 FL，重点关注 FL 在健康数据管理，远程健康监测，医学成像和 COVID-19 检测方面的新领域，分析了几个最近基于 FL 的智能医疗项目，并讨论了未来研究方向和挑战。

Nov, 2021

联邦学习：应用、挑战和未来方向

本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

May, 2022

推进 6G 中的联邦学习：基于图形分析的可信架构

利用分布式账本技术和图神经网络构建的受信任的体系结构，解决了 6G 环境下联邦学习的挑战，包括隐私保护和安全问题，并验证了其在异常模型检测和全局模型准确性方面相对于相关基准的性能提升。

Sep, 2023

联邦信任：可信联邦学习的解决方案

该研究分析了联邦学习中信任度评估的现有要求，提出了六个支柱（隐私、强壮性、公正性、可解释性、问责制和联邦）和 30 多个计算 FL 模型信任度水平的度量标准，并设计了一个算法 FederatedTrust，可以计算 FL 模型的信任度得分。通过在不同联邦配置下使用 FEMNIST 数据集进行的四个实验，展示了计算 FL 模型信任度的 FederatedTrust 的实用性。

Feb, 2023

联邦学习：最新进展与应用的前沿综述

在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

Oct, 2023

组织病理图像分类与脆弱性分析的联邦学习

利用隐私保护联邦学习技术，发现健康诊断的机器学习模型会受到数据投毒的攻击，导致全局模型准确度下降。

Oct, 2023

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

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

可信联邦学习：综述

本文介绍了联邦学习的可信度问题，并提出了可信度的三个支柱：可解释性、公平性和安全性与隐私性。通过对当前状态的分析和评估，提供了一个综合的可信度结构和信任评估机制。

May, 2023