Secure & Private Federated Neuroimaging

要約

生物医学データの量は急速に増加し続けています。
ただし、共同分析のために複数のサイトからデータを収集することは、セキュリティ、プライバシー、規制上の懸念により依然として困難です。
この課題を克服するために、データを共有せずに複数のデータ ソース上でニューラル ネットワーク モデルの分散トレーニングを可能にする Federated Learning を使用します。
各サイトは、プライベート データを使用してニューラル ネットワークをしばらくトレーニングした後、ニューラル ネットワーク パラメーター (重み、勾配など) をフェデレーション コントローラーと共有します。フェデレーション コントローラーはローカル モデルを集約し、結果のコミュニティ モデルを各サイトに送り返します。
そしてプロセスが繰り返されます。
当社の Federated Learning アーキテクチャである MetisFL は、強力なセキュリティとプライバシーを提供します。
まず、サンプル データがサイトから流出することはありません。
第 2 に、ニューラル ネットワーク パラメータは送信前に暗号化され、グローバル ニューラル モデルは完全準同型暗号化の下で計算されます。
最後に、情報理論的手法を使用してニューラル モデルからの情報漏洩を制限し、好奇心旺盛なサイトがモデル反転やメンバーシップ攻撃を実行するのを防ぎます。
アルツハイマー病の予測や磁気共鳴画像法 (MRI) 研究からの BrainAGE の推定など、サイトのデータ量や統計量が異なる困難な異種フェデレーション環境における、神経画像タスクにおける安全なプライベートフェデレーテッド ラーニングのパフォーマンスの徹底的な評価を示します。
配布物。

要約(オリジナル)

The amount of biomedical data continues to grow rapidly. However, collecting data from multiple sites for joint analysis remains challenging due to security, privacy, and regulatory concerns. To overcome this challenge, we use Federated Learning, which enables distributed training of neural network models over multiple data sources without sharing data. Each site trains the neural network over its private data for some time, then shares the neural network parameters (i.e., weights, gradients) with a Federation Controller, which in turn aggregates the local models, sends the resulting community model back to each site, and the process repeats. Our Federated Learning architecture, MetisFL, provides strong security and privacy. First, sample data never leaves a site. Second, neural network parameters are encrypted before transmission and the global neural model is computed under fully-homomorphic encryption. Finally, we use information-theoretic methods to limit information leakage from the neural model to prevent a curious site from performing model inversion or membership attacks. We present a thorough evaluation of the performance of secure, private federated learning in neuroimaging tasks, including for predicting Alzheimer’s disease and estimating BrainAGE from magnetic resonance imaging (MRI) studies, in challenging, heterogeneous federated environments where sites have different amounts of data and statistical distributions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google