DP-SimAgg: Apprendimento Federato che Preserva la Privacy per la Segmentazione delle Lesioni Cerebrali
Un nuovo framework di apprendimento federato chiamato DP-SimAgg è stato sviluppato dai ricercatori per migliorare sia la privacy che l'efficienza nell'imaging medico, in particolare per la segmentazione delle lesioni cerebrali. Questo framework affronta due problemi significativi nell'apprendimento federato: le distribuzioni di dati variabili tra diverse istituzioni e il rischio di perdita di informazioni durante gli aggiornamenti del modello. DP-SimAgg combina l'aggregazione basata sulla similarità con un meccanismo di privacy differenziale lato server. Utilizza il clipping L2 per limitare gli aggiornamenti dai collaboratori, calcola i pesi di aggregazione basati sulla similarità per affrontare le distribuzioni di dati non-IID e aggiunge rumore gaussiano calibrato al server centrale, garantendo la privacy per ogni round sotto un limite di sensibilità specificato. Il framework utilizza la piattaforma OpenFL di Intel ed è stato testato sul dataset FeTS 2022. I risultati sono pubblicati in un articolo su arXiv (arXiv:2608.00872).
Fatti principali
- DP-SimAgg è un framework di apprendimento federato che preserva la privacy per la segmentazione delle lesioni cerebrali.
- Integra l'aggregazione basata sulla similarità con la privacy differenziale lato server.
- Il metodo utilizza il clipping L2 per limitare gli aggiornamenti dei collaboratori.
- Calcola i pesi di aggregazione basati sulla similarità per mitigare le distribuzioni di dati non-IID.
- Il rumore gaussiano calibrato viene iniettato al server centrale per garantire la privacy.
- Il framework è implementato utilizzando la piattaforma OpenFL di Intel.
- La valutazione è stata eseguita sul dataset FeTS 2022.
- L'articolo è disponibile su arXiv con ID 2608.00872.
Entità
Istituzioni
- Intel
- arXiv