后门攻击和防御在联合生成对抗基于网络的医疗图像合成中
1Computer Science Department, The University of British Columbia, BC, V6T 1Z4, Canada.
Medical image analysis
|October 7, 2023
概括
本研究探讨了对医疗保健中的联合生成对抗网络 (GAN) 的后门攻击. 一个新的防御,FedDetect,识别和阻止恶意客户端,使高质量的合成医疗数据生成.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 网络安全 网络安全
背景情况:
- 深度学习图像合成产生医学图像用于研究.
- 联合学习 (FL) 在分布式数据上训练模型,但容易受到后门攻击.
- 在FL环境中,对生成对抗网络 (GAN) 的后门攻击尚未得到充分探索.
研究的目的:
- 在联邦GAN (FedGAN) 中调查后门攻击.
- 了解这些攻击如何影响GAN训练和合成图像质量.
- 提出一个有效的防御机制,以对抗FL的这种攻击.
主要方法:
- 分析中毒数据对局部歧视因子和GAN平衡的影响.
- 开发FedDetect,这是一个服务器端防御,通过损失监控来检测对抗客户端.
- 实施客户端阻止以减轻攻击的传播.
主要成果:
- 后门攻击降低了由FedGANs产生的合成医疗图像的真实性.
- FedDetect成功地识别和抑制恶意客户端.
- 后国防FedGANs生成高质量的,标记的医疗数据集.
结论:
- 联合GAN容易受到后门攻击,这些攻击会损害合成数据的质量.
- FedDetect 提供了一种有效的防御,以抵御 FL for GAN 的后门攻击.
- 拟议的方法可以安全生成增强型医疗数据集,以增强分类模型.
