Inclusive, Differentially Private Federated Learning for Clinical Data
Created by
Haebom
저자
Santhosh Parampottupadam, Melih Co\c{s}\u{g}un, Sarthak Pati, Maximilian Zenk, Saikat Roy, Dimitrios Bounias, Benjamin Hamm, Sinem Sav, Ralf Floca, Klaus Maier-Hein
개요
본 논문은 연합 학습(FL)을 활용한 의료 AI 모델 훈련에서 개인정보보호, 자원 제약, 규정 준수와 관련된 문제점을 해결하기 위한 새로운 프레임워크를 제안합니다. 기존의 차등적 개인정보보호(DP) 접근 방식은 균일한 노이즈를 적용하여 성능 저하를 야기하는데 반해, 본 논문에서는 의료기관의 규정 준수 점수에 따라 노이즈를 적응적으로 조정하는 규정 준수 인식 FL 프레임워크를 제시합니다. 또한, 주요 의료 및 보안 표준을 기반으로 하는 규정 준수 점수 도구를 도입하여 다양한 의료 환경에서 안전하고 포괄적이며 공정한 참여를 장려합니다. 공개 데이터셋을 이용한 실험 결과, 자원이 부족하고 규정 준수 수준이 낮은 병원을 규정 준수 수준이 높은 병원과 통합하여 기존 FL보다 최대 15%의 정확도 향상을 달성했습니다. 이 연구는 개인정보보호, 규정 준수 및 성능 간의 균형을 맞춤으로써 전 세계 의료 환경에서 실제 의료 워크플로우에 적용 가능한 FL 솔루션을 제공합니다.
시사점, 한계점
•
시사점:
◦
규정 준수 수준에 따라 노이즈를 적응적으로 조정하는 새로운 DP 기반 FL 프레임워크 제시
◦
의료 및 보안 표준 기반의 규정 준수 점수 도구 개발
◦
자원 부족 및 규정 준수 수준이 낮은 의료기관의 참여를 통해 모델 정확도 향상 (최대 15%)
