MedHE: Communication-Efficient Privacy-Preserving Federated Learning with Adaptive Gradient Sparsification for Healthcare
Created by
Haebom
Category
Empty
저자
Farjana Yesmin
개요
본 논문은 의료 데이터에 대한 개인 정보 보호 협업 학습을 위해 적응형 기울기 희소화와 CKKS 동형 암호화를 결합한 새로운 프레임워크인 MedHE를 제시합니다. MedHE는 상위 k 기울기 선택을 위한 오류 보정 기능을 갖춘 동적 임계값 메커니즘을 도입하여 모델 유틸리티를 유지하면서 97.5%의 통신 감소를 달성합니다. 또한, Ring Learning with Errors 가정을 기반으로 한 공식적인 보안 분석과 1.0 이하의 엡실론으로 차등 프라이버시 보장을 제공합니다. MedHE는 89.5%의 정확도를 달성하고 표준 연합 학습과 유사한 성능을 유지하면서, 통신량을 대폭 줄였습니다.
시사점, 한계점
•
시사점:
◦
의료 데이터의 프라이버시를 유지하면서 효율적인 연합 학습 가능성 제시
◦
통신량 감소를 통한 계산 효율성 향상
◦
HIPAA 규정 준수 및 100개 이상의 기관으로 확장 가능한 실제 의료 환경 배포 가능성 입증
◦
차등 프라이버시 보장
•
한계점:
◦
모델 유틸리티를 유지하면서 97.5%의 통신 감소를 달성했지만, 추가적인 성능 최적화 여지 존재
◦
Ring Learning with Errors 가정을 기반으로 한 보안 분석의 실제 환경 적용 시 추가 검토 필요
