統合学習における医療画像のプライバシー:セグメンテーション・再編および散らばったグラデントマッチング攻撃

科学分野:

• 医療用イメージング
• 人工知能
• サイバーセキュリティ

背景:

• 医療画像は診断に不可欠ですが 敏感な患者データを含んでいます
• 連邦学習 (FL) は,原始データではなく,グラデーションでトレーニングすることでプライバシーを保護します.
• グラデーションの逆転攻撃は グラデーションからプライベートなデータを 再構築することで FLを脅かします

研究 の 目的:

• 高解像度,高類似度医療画像をバッチモードで再構築するための新しいグラデント逆転攻撃を提案する.
• 統合学習に対する既存のグラデント逆転攻撃の能力を強化する.

主な方法:

• 散らばったグラデントマッチングとセグメンテーション再編成 (SR) を使用したグラデント逆転攻撃を開発しました.
• グラデント分散の最適化のために L1 損失関数を使用した.
• 安定した最適化のための適応学習速度調整メカニズムを使用した.

主要な成果:

• 提案された方法は,高解像度,高類似度の医療画像を再構築します.
• 視覚的質と定量的な指標において 最先端の方法よりも 顕著な改善を達成した.
• 画像の類似性が146%まで改善された.

結論:

• 新しいグラデーションの逆転攻撃は 医療イメージングの統合学習において プライバシーに重大な脅威をもたらします
• グラデーション逆転攻撃の現在の制限は克服され,高解像度の画像のバッチ処理が可能です.