Privacy-Preserving Federated Learning via Differential Privacy and Homomorphic Encryption for Cardiovascular Disease Risk Modeling
تقيم هذه الدراسة بشكل منهجي دمج الخصوصية التفاضلية والتشفير المتماثل ضمن التعلم الاتحادي لنمذجة مخاطر أمراض القلب والأوعية الدموية باستخدام بيانات الرعاية الصحية السويدية، كاشفةً أنه في حين يحافظ التشفير المتماثل على فائدة النموذج بما يضاهي التعلم المركزي على حساب العبء الحسابي، فإن الخصوصية التفاضلية توفر تكاليف حسابية أقل ولكنها تضعف الأداء بشكل كبير في نماذج الانحدار اللوجستي مقارنة بالشبكات العصبية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل مجموعة من المستشفيات التي ترغب جميعها في بناء برنامج حاسوبي ذكي للتنبؤ بأمراض القلب. تكمن المشكلة في أنها لا تستطيع مشاركة سجلات مرضاها مع بعضها البعض بسبب قوانين الخصوصية الصارمة والخوف من تسرب البيانات. الأمر يشبه محاولة حل لغز ضخم، لكن الجميع يمسك بقطع اللغز الخاصة به داخل غرفة مغلقة ويرفض فتح الباب.
تصف هذه الورقة طريقة ذكية لحل هذا اللغز دون فتح الأبواب مطلقًا. لقد اختبر الباحثون ثلاث طرق مختلفة "للحفاظ على الخصوصية" لمعرفة أيهما يعمل بشكل أفضل لبناء متنبئ أمراض القلب هذا باستخدام بيانات حقيقية من مستشفيات سويدية.
إليك كيف فعلوا ذلك، مشروحاً بتبسيط:
الطرق الثلاث التي تم اختبارها
- الطريقة "المركزية" (الطريقة القديمة):
تخيل أن جميع المستشفيات ترسل قطع اللغز الخاصة بها عبر البريد إلى مكتب مركزي واحد. يقوم هذا المكتب بتجميع القطع معًا لبناء الصورة.
- المخاطرة: إذا تعرض المكتب المركزي للاختراق أو سرق أحد الموظفين البريد، فستنكشف جميع بيانات المرضى الخاصة دفعة واحدة.
- التعلم الاتحادي (الطريقة الجديدة):
بدلاً من إرسال قطع اللغز، يرسل المكتب المركزي "إطار لغز فارغ" إلى كل مستشفى. يقوم كل مستشفى ببناء الصورة باستخدام قطعه الخاصة داخل غرفته المغلقة. وبمجرد انتهائهم، يرسلون فقط "التغييرات" التي أجروها على الإطار (التعليمات حول كيفية تحريك القطع)، وليس بيانات المرضى الفعلية. يقوم المكتب المركزي بدمج هذه التعليمات لتحديث اللغز الرئيسي.
- العائق: على الرغم من أنهم لا يرسلون بيانات المرضى، إلا أن مخترقًا ذكيًا قد يتمكن من النظر إلى "التعليمات" وتخمين كيف تبدو القطع الأصلية.
- إضافة "دروع الخصوصية" (محور تركيز هذه الورقة):
لمنع المخترقين من تخمين البيانات من خلال التعليمات، أضاف الباحثون نوعين مختلفين من "الدروع" إلى طريقة التعلم الاتحادي:
- الدرع (أ): الخصوصية التفاضلية (درع "الضجيج الساكن"): تضيف هذه الطريقة القليل من "الضجيج الساكن" أو التشويش العشوائي إلى التعليمات قبل إرسالها. الأمر يشبه الهمس بالتعليمات عبر مروحة بحيث تصبح الكلمات غير واضحة قليلاً. لا يستطيع المخترق سماع التفاصيل الدقيقة، لكن الشخص الذي يستمع (المكتب المركزي) لا يزال بإمكانه فهم المعنى العام.
- الدرع (ب): التشفير المتماثل (درع "المظروف السحري"): تضع هذه الطة التعليمات داخل مظروف سحري غير قابل للكسر. يمكن للمكتب المركزي خلط ودمج هذه المظاريف دون فتحها أبدًا. يتم فتح النتيجة النهائية فقط في النهاية. إنه يشبه إجراء عمليات حسابية على صناديق مغلقة دون رؤية ما بداخلها.
ما وجدوه
اختبر الباحثون هذه الطرق باستخدام نوعين من "المتعلمين" (الأدمغة الحاسوبية): أحدهما بسيط (الانحدار اللوجستي) والآخر معقد (الشبكة العصبية).
1. "المظروف السحري" (التشفير المتماثل) كان الفائز من حيث الدقة.
- كيف عمل: حافظ على وضوح التعليمات تمامًا (بدون ضجيج ساكن)، لذا كانت تنبؤات أمراض القلب النهائية دقيقة تمامًا كما لو أن جميع البيانات قد أُرسلت إلى المكتب المركزي.
- التكلفة: كان بطيئًا. استغرقت معالجة "المظاريف السحرية" الكثير من قوة الحوسبة والوقت. بالنسبة للدماغ الحاسوبي المعقد، أصبحت التعليمات المشفرة كبيرة جدًا (بالميجابايت بدلاً من الكيلوبايت)، مما جعل العملية ثقيلة وبطيئة.
- الحكم: إذا كنت بحاجة إلى أكثر النتائج دقة ولديك أجهزة كمبيوتر قوية، فهذا هو الخيار الأفضل.
2. "الضجيج الساكن" (الخصوصية التفاضلية) كان أسرع ولكنه محفوف بالمخاطر بالنسبة للنماذج البسيطة.
- كيف عمل: كان إضافة "الضجيج" أسرع بكثير من استخدام "المظاريف السحرية".
- العائق: أفسد الضجيج النتائج أكثر مما كان متوقعًا، خاصة بالنسبة لـ الدماغ الحاسوبي البسيط. نظرًا لأن الدماغ البسيط لديه عدد أقل من "التعليمات" للعمل بها، فإن الضجيج العشوائي طغى على الإشارات المهمة، مما جعل التنبؤات أقل دقة. أما الدماغ المعقد فقد تعامل مع الضجيج بشكل أفضل.
- الحكم: إنه سريع، ولكن عليك أن تكون حذرًا جدًا بشأن مقدار الضجيج الذي تضيفه، وإلا ستسوء تنبؤاتك.
3. "التعلم الاتحادي القياسي" (بدون درع)
كان هذا الأسرع على الإطلاق ولكنه قدم أقل حماية للخصوصية. وقد استُخدم كمعيار لإظهار أن الطرق "المدرعة" لم تفقد الكثير من السرعة أو الدقة.
الخلاصة
تخلص الورقة إلى أنه إذا كنت تبني ذكاءً اصطناعيًا طبيًا في بيئة واقعية حيث تكون البيانات موزعة عبر مستشفيات مختلفة:
- التشفير المتماثل (المظروف السحري) هو الخيار الأكثر عملية للحصول على نتائج عالية الجودة ودقيقة، على الرغم من أنه يتطلب المزيد من قوة الحوسبة.
- الخصوصية التفاضلية (الضجيج الساكن) هي الأسرع ولكنها قد تضر بدقة النماذج الأبسط، مما يتطلب ضبطًا دقيقًا للغاية لتعمل بشكل جيد.
لقد نجح الباحثون في إثبات أنه يمكنك بناء متنبئ تعاوني لأمراض القلب دون نقل سجل مريض واحد خاص خارج مستشفاه المحلي، بشرًا ما اخترت درع الخصوصية المناسب لاحتياجاتك المحددة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.