Mejora de la privacidad y la seguridad en el aprendizaje federado: protección de los registros médicos electrónicos...

Área de la Ciencia:

• Aprendizaje Automático
• Informática Sanitaria
• Ciberseguridad

Sus antecedentes:

• El Aprendizaje Federado (FL) permite el entrenamiento colaborativo de modelos sin compartir datos directamente.
• La protección de los Registros Médicos Electrónicos (HCE) sensibles en FL contra ataques adversarios es crucial.
• Garantizar la agregación segura de datos, la anonimización y el entrenamiento robusto entre instituciones es un desafío clave.

Objetivo del estudio:

• Mejorar la privacidad y la seguridad en FL para HCE.
• Implementar anonimización, detección de patrones adversarios, agregación consciente del contexto y entrenamiento de modelos robustos.
• Garantizar la protección contra ataques adversarios manteniendo el cumplimiento de HIPAA.

Principales métodos:

• Filtrado Adaptativo de Mediana Ponderada (AWMF) para la reducción de ruido, valores atípicos y ataques.
• Cuckoo-based Deep Convolutional Long-Term Memory (CDC-LSTM) para una mayor robustez de FL.
• Redes de Malla Federadas con Preservación de la Privacidad (F-PPMN) para una comunicación segura y descentralizada.

Principales resultados:

• Los atributos anonimizados de HCE (90%-290%) mostraron una ligera reducción en la riqueza de datos en comparación con los atributos originales (100%-300%).
• Demostró un equilibrio entre la utilidad de los datos y la confidencialidad en FL.
• Implementado en software Python.

Conclusiones:

• El estudio mejoró con éxito la privacidad y la seguridad en FL para HCE.
• Los métodos desarrollados ofrecen una protección robusta contra ataques adversarios.
• El trabajo futuro incluye la integración de cifrado federado y computación multipartita para avances adicionales.