センシティブな健康データのための差分プライバシー対応フェデレーテッドラーニング

実世界の健康データを機械学習タスクに活用するためには、分散データのサイロ、個人特有のセンシティブデータから中央集権的なデータベースを作成する際のプライバシーの懸念、複数のサイトからデータを転送・統合する際のリソース制約、単一障害点のリスクといった多くの実務的課題に対処する必要があります。本論文では、異なるサイトにローカルに保持されている分散健康データからグローバルモデルを学習できるフェデレーテッドラーニングフレームワークを提案します。このフレームワークは、プライバシー保護の2つのレベルを提供します。まず、モデル学習プロセス中に、サイト間または中央サーバーと生データを移動させたり共有したりしません。次に、潜在的なプライバシー攻撃からモデルをさらに保護するために、差分プライバシーメカニズムを使用します。私たちは、100万人の患者の実世界の電子健康データを使用して、2つの医療アプリケーションに対して私たちのアプローチの包括的評価を行います。私たちは、フェデレーテッドラーニングフレームワークが高いプライバシーレベルを提供し、グローバルモデルの有用性を維持する可能性と効果を示します。