電子カルテデータを敵対的攻撃から保護するフェデレーテッド学習におけるプライバシーとセキュリティの強化

科学分野:

• 機械学習
• ヘルスケアインフォマティクス
• サイバーセキュリティ

背景:

• フェデレーテッド学習（FL）は、直接的なデータ共有なしに協調的なモデルトレーニングを可能にします。
• 敵対的攻撃からFLにおける機密性の高い電子カルテ（EHR）を保護することは非常に重要です。
• 機関全体での安全なデータ集約、匿名化、および堅牢なトレーニングを保証することは、主要な課題です。

研究 の 目的:

• EHR向けのFLにおけるプライバシーとセキュリティを強化すること。
• 匿名化、敵対的パターン検出、コンテキスト認識集約、および堅牢なモデルトレーニングを実装すること。
• HIPAAコンプライアンスを維持しながら、敵対的攻撃からの保護を保証すること。

主な方法:

• ノイズ、外れ値、および攻撃の削減のための適応型加重中央値フィルタリング（AWMF）。
• 強化されたFL堅牢性のためのCuckooベースのディープ畳み込み長期記憶（CDC-LSTM）。
• 安全で分散化された通信のためのフェデレーテッドプライバシー保護メッシュネットワーク（F-PPMN）。

主要な成果:

• 匿名化されたEHR属性（90%-290%）は、元の属性（100%-300%）と比較してデータリッチネスがわずかに減少しました。
• FLにおけるデータユーティリティと機密性の間のバランスを実証しました。
• Pythonソフトウェアに実装されました。

結論:

• この研究は、EHR向けのFLにおけるプライバシーとセキュリティを正常に強化しました。
• 開発された手法は、敵対的攻撃に対して堅牢な保護を提供します。
• 将来の研究には、さらなる進歩のためにフェデレーテッド暗号化とマルチパーティ計算の統合が含まれます。