10.19665/j.issn1001-2400.20230202
面向医疗数据的隐私保护联邦学习架构
联邦学习作为一种新兴的神经网络训练模型,因其可以在保护用户数据隐私的前提下进行模型训练而受到广泛关注.然而,由于攻击者可以从共享梯度中跟踪和提取参与者的隐私,因此联邦学习仍然面临各种安全和隐私威胁.针对医疗数据在联邦学习过程中面临的隐私泄露问题,基于 Paillier 同态加密技术提出一种保护隐私的医疗数据联邦学习架构.首先,采用 Paillier 加密技术对客户端的共享训练模型进行加密,确保训练模型的安全性和隐私性,同时设计了零知识证明身份认证模块确保参与训练成员身份的可信性;其次,在服务器端通过构造消息确认机制将掉线或无响应用户暂时剔除,减少了服务器等待时间,降低了通信开销.实验结果表明,所提机制在实现隐私保护的同时,具有较高的模型准确率,较低的通信时延,并具有一定的可扩展性.
联邦学习、隐私保护技术、同态加密、医学图像
50
TN393(半导体技术)
国家自然科学基金;国家自然科学基金;教育部国家留学基金;山西省自然科学基金
2023-11-24（万方平台首次上网日期，不代表论文的发表时间）
共12页
166-177
