Key points are not available for this paper at this time.
의료 분야에서 기계 학습 (ML) 기술의 적용이 증가하면서, 안전하고 개인 정보 보호를 위한 강력한 ML 모델의 교육을 가능하게 하는 연합 학습 (FL)에 대한 관심이 높아지고 있습니다. 그러나 기존의 FL 방법은 종종 충분한 개인 정보 보호를 제공하지 못하며, 비독립적이고 동일하게 분포되지 않은 (Non-IID) 훈련 데이터를 처리하는 데 어려움을 겪습니다. 이러한 단점은 의료 분야의 전자 기기에서 FL을 사용할 때 심각한 문제입니다. 이러한 문제를 해결하기 위해, 우리는 의료 환경에 맞춘 감사 가능한 개인정보 보호 연합 학습 (AP2FL) 모델을 제안합니다. 신뢰할 수 있는 실행 환경 (TEE)을 활용하여, AP2FL은 클라이언트와 서버 측에서 안전한 훈련 및 집계 과정을 보장하여 데이터 누출 위험을 효과적으로 완화합니다. 제안된 프레임워크 내에서 Non-IID 데이터를 관리하기 위해, 우리는 사용자 업데이트를 통합하고 데이터 유사성을 식별하는 능동 개인화 연합 학습 (ActPerFL) 모델과 배치 정규화 (BN) 기술을 도입합니다. 또한, AP2FL에는 각 클라이언트의 FL 과정에 대한 기여를 드러내는 감사 메커니즘이 도입되어 다양한 데이터 유형 및 분포에 따라 글로벌 모델을 업데이트할 수 있도록 합니다. 즉, FL 과정의 무결성, 투명성, 공정성 및 견고성을 보장합니다. 우리의 결과는 제안된 AP2FL 모델이 기존 방법보다 정확도에서 우수하며 개인정보 누출을 효과적으로 제거함을 보여줍니다.
Yazdinejad et al. (금요일)은 이 질문을 연구했습니다.