Apprendimento Federato con Privacy Differenziale per Dati Clinici Sbilanciati
Un nuovo studio propone un framework che combina Apprendimento Federato (FL) e Privacy Differenziale (DP) per la previsione del rischio cardiovascolare utilizzando dati clinici sbilanciati. La ricerca affronta il compromesso tra privacy e utilità clinica integrando SMOTETomek a livello client per gestire lo squilibrio di classe. Esperimenti iniziali con metodi standard hanno prodotto un richiamo pari a zero, ma l'approccio ibrido ha migliorato le prestazioni. Il framework è progettato per la ricerca sanitaria collaborativa su dati decentralizzati, fornendo al contempo garanzie formali di privacy. Lo studio è pubblicato su arXiv con ID 2508.10017.
Fatti principali
- L'Apprendimento Federato consente l'addestramento di modelli su dati decentralizzati salvaguardando la privacy del paziente.
- La Privacy Differenziale offre garanzie formali di sicurezza se combinata con FL.
- L'integrazione di FL e DP introduce un compromesso tra privacy e utilità clinica.
- Il grave squilibrio di classe nei dataset medici complica il compromesso privacy-utilità.
- Lo studio ha implementato un framework FL per la previsione del rischio cardiovascolare.
- Esperimenti iniziali con metodi standard hanno prodotto un richiamo pari a zero a causa dei dati sbilanciati.
- SMOTETomek (tecnica ibrida di sovracampionamento della minoranza sintetica con collegamenti Tomek) è stato integrato a livello client.
- La ricerca è pubblicata su arXiv con ID 2508.10017.
Entità
Istituzioni
- arXiv