在医学图像分类模型中,针对数据中毒攻击的双重重权重防御策略

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:

• 深度学习模型正在推进疾病检测和医学图像分析.
• 安全问题,特别是数据中毒攻击,威胁到模型性能和患者安全.
• 恶意行为者可以破坏数据或模型参数,导致错误诊断.

研究的目的:

• 提出一个新的防御方案,Dweighted,以加强对数据中毒攻击的深度学习模型的安全性.
• 提高医疗图像分析模型的稳定性和准确性,以应对敌对威胁.
• 在联合学习环境中开发一种准确识别和消除恶意客户端的方法.

主要方法:

• Dweighted 集成了双重权重与集群分析,用于动态调整客户端权重.
• 它考虑了数据集大小,模型参数差异和相似性分析.
• 主要组件分析 (PCA) 和K-means集群用于检测和删除恶意客户端.

主要成果:

• Dweighted显著提高了全球模型的安全性和稳定性,防止数据中毒.
• 该计划保持了高度的分类准确性.
• 在IID设置中,实现了94.89%的整体准确性,并将攻击成功率降低到2.43%.

结论:

• 在医学深度学习中,Dweighted提供了对数据中毒攻击的强有力的防御.
• 拟议的方法有效地平衡了安全增强与分类性能.
• Dweighted 在确保医疗保健应用中的AI方面取得了重大进展.