💻 computer science

Privacy-Utility Tradeoffs in Hierarchical Federated Learning Under Combined Differential Privacy and CKKS Homomorphic Encryption for Distributed Healthcare Networks

यह शोध पत्र स्वास्थ्य सेवा के लिए एक पदानुक्रमित (hierarchical) फेडरेटेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो क्लाइंट-स्तरीय डिफरेंशियल प्राइवेसी को संस्थान-स्तरीय CKKS होमोमोर्फिक एन्क्रिप्शन के साथ एकीकृत करता है, यह प्रदर्शित करते हुए कि जहाँ डिफरेंशियल प्राइवेसी गोपनीयता बजट पर निर्भर मापने योग्य सटीकता हानि उत्पन्न करती है, वहीं होमोमोर्फिक एन्क्रिप्शन उपयोगिता में कोई गिरावट नहीं लाता है, जिससे प्रत्येक तंत्र के विशिष्ट गोपनीयता-उपयोगिता ट्रेडऑफ़ को अलग और परिमाणित किया जा सके।

मूल लेखक: Sayed Mohammed Alwedaei, Jenan Moosa

प्रकाशित 2026-07-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sayed Mohammed Alwedaei, Jenan Moosa

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि अस्पतालों का एक समूह मिलकर एक सुपर-स्मार्ट मेडिकल AI बनाने की कोशिश कर रहा है। वे बेहतर बीमारी निदान के लिए अपने संयुक्त डेटा से सीखना चाहते हैं, लेकिन उनका एक सख्त नियम है: कोई भी अस्पताल दूसरे अस्पताल के कच्चे रोगी डेटा (raw patient data) को कभी नहीं देख सकता। यह एक साथ एक विशाल केक बनाने जैसा है, लेकिन किसी को भी अपनी गुप्त पारिवारिक रेसिपी या यहाँ तक कि अपने सामग्री के कटोरे को दूसरों को दिखाने की अनुमति नहीं है।

यह पेपर इस बारे में है कि कैसे अस्पताल सुरक्षित रूप से सहयोग कर सकते हैं। लेखकों, सायेद मोहम्मद अलवेदी और जेनान मूसा ने एक सिस्टम बनाया है जिसे Hierarchical Federated Learning (HFL) कहा जाता है। इसे एक तीन-मंजिला कार्यालय भवन के रूप में सोचें:

क्लाइंट्स (ग्राउंड फ्लोर): व्यक्तिगत डॉक्टर या क्लीनिक जिनके पास अपना रोगी डेटा है।
संस्थान (मिडल फ्लोर): अस्पताल या बड़े चिकित्सा केंद्र जो क्लीनिकों का प्रबंधन करते हैं।
ग्लोबल एग्रीगेटर (टॉप फ्लोर): केंद्रीय AI मस्तिष्क जो सब कुछ जोड़ता है।

दो बड़ी समस्याएँ जिनका उन्होंने समाधान किया

पेपर पहचान करता है कि इस प्रक्रिया में गोपनीयता (privacy) टूटने के दो मुख्य तरीके हैं:

"लीकी बकेट" समस्या (प्राइवेसी): भले ही आप कच्चा डेटा साझा न करें, लेकिन "अपडेट्स" (जो सबक AI सीखता है) कभी-कभी विशिष्ट रोगियों के बारे में बहुत अधिक जानकारी प्रकट कर सकते हैं।
"ओपन एनवेलप" समस्या (गोपनीयता/Confidentiality): भले ही अपडेट सुरक्षित हों ताकि कोई रहस्य लीक न हो, लेकिन उन्हें इंटरनेट पर भेजना एक पोस्टकार्ड भेजने जैसा है। जो कोई भी मेल को बीच में रोकता है, वह उसे पढ़ सकता है।

समाधान: एक डबल-लॉक सिस्टम

लेखकों ने दोनों समस्याओं को एक साथ ठीक करने के लिए दो शक्तिशाली उपकरणों को मिलाया:

1. डिफरेंशियल प्राइवेसी (द "स्टैटिक नॉइज़" मशीन)
कल्पना कीजिए कि डॉक्टर AI को एक रहस्य फुसफुसाने की कोशिश कर रहे हैं। यह सुनिश्चित करने के लिए कि कोई ठीक से यह न जान सके कि उन्होंने क्या कहा, वे अपने फुसफुसाहट में थोड़ा सा "स्टैटिक नॉइज़" (शोर) जोड़ देते हैं।

यह कैसे काम करता है: अपना सबक भेजने से पहले, सिस्टम रैंडम गणितीय शोर जोड़ता है। यह रेडियो पर वॉल्यूम बढ़ाने जैसा है ताकि एक विशिष्ट आवाज दब जाए, लेकिन समग्र गाना (AI मॉडल) स्पष्ट रहे।
ट्रेड-ऑफ: आप जितना अधिक शोर जोड़ेंगे (जितना सुरक्षित होने के लिए), AI के लिए गाना सीखना उतना ही कठिन होगा। पेपर ने अलग-अलग शोर (जिन्हें "प्राइवेसी बजट" 2, 4, 6, और 8 कहा जाता है) का परीक्षण किया।
- परिणाम: एक सरल इमेज टास्क (MNIST) पर, शोर जोड़ने से AI की सटीकता केवल थोड़ी सी कम हुई (लगभग 1-2% की गिरावट)। एक जटिल हृदय लय कार्य (MIT-BIH) पर, गिरावट बड़ी थी (12% तक), लेकिन फिर भी उपयोगी थी। मुख्य निष्कर्ष यह है: शोर ही एकमात्र चीज़ है जो AI को कम सटीक बनाता है।

2. CKKS होमोमोर्फिक एन्क्रिप्शन (द "मैजिक एनवेलप")
यह दूसरा लॉक है। कल्पना कीजिए कि आप अपना सबक एक सीलबंद, जादुई लिफाफे के अंदर भेज रहे हैं जो बिना खुले, पढ़ा और यहाँ तक कि अन्य लिफाफों में जोड़ा भी जा सकता है।

यह कैसे काम करता है: अस्पताल अपने शोर वाले अपडेट को एन्क्रिप्ट करते हैं। मध्य-स्तर के अस्पताल (संस्थान) गणितीय रूप से इन एन्क्रिप्टेड अपडेट को जोड़ सकते हैं बिना यह देखे कि उनके अंदर वास्तविक नंबर क्या हैं। यह एक समूह के लोगों द्वारा अपने बैंक बैलेंस को एक लॉक कैलकुलेटर पर जोड़ने जैसा है; कैलकुलेटर कुल योग देता है, लेकिन कोई भी व्यक्तिगत राशि नहीं देख पाता।
सरप्राइज: लेखक जानना चाहते थे: "क्या यह जादुई लिफाफा AI को धीमा करता है या इसे कम स्मार्ट बनाता है?"
- परिणाम: शून्य। पेपर का दावा है कि इस एन्क्रिप्शन का उपयोग करने से सटीकता में बिल्कुल भी कमी नहीं आती है। AI एन्क्रिप्टेड डेटा के साथ उतना ही अच्छा प्रदर्शन करता है जितना कि शोर वाले लेकिन अन-एन्क्रिप्टेड डेटा के साथ।

बड़ा निष्कर्ष

इस पेपर की सबसे महत्वपूर्ण खोज लागत का पृथक्करण (separation of costs) है।

प्राइवेसी कॉस्ट: "शोर" (डिफरेंशियल प्राइवेसी) से आती है। यह सटीकता को थोड़ा नुकसान पहुँचाती है, लेकिन रहस्यों को सुरक्षित रखती है।
कॉन्फिडेंशियलिटी कॉस्ट: "एन्क्रिप्शन" (होमोमोर्फिक एन्क्रिप्शन) से आती है। यह लिफाफों को लॉक करने और खोलने में थोड़ा समय लेती है, लेकिन यह AI की सटीकता को बिल्कुल भी नुकसान नहीं पहुँचाती है।

निर्णय

उन्होंने इसे दो डेटासेट्स पर परखा: हस्तलिखित अंक (MNIST) और हृदय लय डेटा (MIT-BIH)। उन्होंने पाया कि:

आप एक बहुत ही निजी सिस्टम बना सकते हैं जहाँ AI अभी भी काफी स्मार्ट रहता है।
आप इन निजी अपडेट को इंटरनेट पर सुरक्षित रूप से भेज सकते हैं (जादुई लिफाफे का उपयोग करके) बिना AI को कम बुद्धिमान बनाए।
सिस्टम स्थिर है; यदि आप प्रयोग को तीन बार चलाते हैं, तो आपको लगभग हर बार वही परिणाम मिलता है।

संक्षेप में, यह पेपर साबित करता है कि आप एक सुरक्षित, सहयोगी मेडिकल AI बना सकते है जहाँ "प्राइवेसी" वाला हिस्सा इसे थोड़ा कम परफेक्ट बनाता है, लेकिन "सिक्योरिटी" वाला हिस्सा (ट्रांसमिशन के दौरान डेटा को गुप्त रखना) आपके प्रदर्शन की कीमत पर कुछ भी नहीं लेता है। यह सुरक्षा और गति के लिए एक विन-विन (win-win) स्थिति है।

तकनीकी सारांश: संयुक्त डिफरेंशियल प्राइवेसी और CKKS होमोमोर्फिक एन्क्रिप्शन के तहत पदानुक्रमित फेडरेटेड लर्निंग में गोपनीयता-उपयोगिता ट्रेडऑफ

समस्या विवरण

स्वास्थ्य सेवा में आर्टिफिशियल इंटेलिजेंस का एकीकरण डेटा गोपनीयता और सुरक्षा के संबंध में महत्वपूर्ण परिचालन बाधाओं का सामना कर रहा है। केंद्रीकृत प्रणालियाँ विफलता के एकल बिंदु (single points of failure) प्रस्तुत करती हैं, जिससे GDPR और HIPAA जैसे नियमों के उल्लंघन का जोखिम बना रहता है। जबकि फेडरेटेड लर्निंग (FL) कच्चे डेटा को साझा किए बिना सहयोगात्मक प्रशिक्षण की अनुमति देता है, मौजूदा गोपनीयता-संरक्षण दृष्टिकोण अक्सर डिफरेंशियल प्राइवेसी (DP) और होमोमोर्फिक एन्क्रिप्शन (HE) को अलग-अलग संबोधित करते हैं।

केवल DP-आधारित कार्यान्वयन मॉडल अपडेट पर इन्फरेंस हमलों से तो रक्षा करते हैं, लेकिन ट्रांसमिशन के दौरान प्लेनटेक्स्ट मापदंडों को खुला छोड़ देते हैं, जिससे ट्रांसमिशन गोपनीयता सुनिश्चित करने में विफलता होती है।
केवल HE-आधारित योजनाएं ट्रांसमिशन को सुरक्षित करती हैं, लेकिन अक्सर शोर इंजेक्शन (noise injection) के सटीकता लागत या एन्क्रिप्शन और मॉडल उपयोगिता के बीच की अंतःक्रिया को मापने में विफल रहती हैं।
हाइब्रिड दृष्टिकोण मौजूद हैं, लेकिन वे बदलते गोपनीयता बजट ( $\epsilon$ ) के भीतर एक पदानुक्रमित फेडरेटेड लर्निंग (HFL) सेटिंग में संयुक्त गोपनीयता-उपयोगिता ट्रेडऑफ के व्यवस्थित मूल्यांकन का अभाव रखते हैं।

परिणामस्वरूप, इस बारे में एक अनक्वांटिफाइड (unquantified) अंतर है कि क्या क्लाइंट-स्तरीय DP को संस्थान-स्तरीय HE के साथ मिलाने से केवल DP के शोर इंजेक्शन के अलावा मापने योग्य सटीकता गिरावट आती है, विशेष रूप से वितरित स्वास्थ्य सेवा नेटवर्क के संदर्भ में।

कार्यप्रणाली

लेखक एक तीन-स्तरीय HFL फ्रेमवर्क प्रस्तावित करते हैं जो वितरित स्वास्थ्य सेवा नेटवर्क (क्लाइंट $\to$ संस्थान $\to$ ग्लोबल एग्रीगेटर) की संगठनात्मक संरचना को प्रतिबिंबित करने के लिए डिज़ाइन किया गया है। यह प्रणाली दो अलग-अलग गोपनीयता तंत्रों को एकीकृत करती है:

क्लाइंट-स्तरीय $(\epsilon, \delta)$ -DP: प्रत्येक क्लाइंट पर स्थानीय स्तर पर ट्रांसमिशन से पहले लागू किया जाता है। इसमें ग्रेडिएंट क्लिपिंग (नॉर्म $C$ तक) और सूचना रिसाव को सीमित करने के लिए कैलिब्रेटेड गॉसियन शोर ( $\sigma$ ) का इंजेक्शन शामिल है।
संस्थान-स्तरीय CKKS HE: चेओन-किम-किम-सोंग (CKKS) योजना को प्राइवेटाइज्ड अपडेट को एन्क्रिप्ट करने के लिए लागू किया जाता है। संस्थान इन साइफरटेक्स्ट को सीधे CKKS के एडिटिव होमोमोर्फिक गुण का उपयोग करके एकत्रित करते हैं, और ग्लोबल एग्रीगेटर को भेजने से पहले केवल अंतिम भारित माध्य (weighted mean) को डिक्रिप्ट करते हैं।

प्रायोगिक सेटअप:

डेटासेट: MNIST (हस्तलिखित अंक) और MIT-BIH अतालता (ECG सिग्नल), जो इमेज और फिजियोलॉजिकल वेवफॉर्म मोडैलिटी का प्रतिनिधित्व करते हैं।
टोपोलॉजी: तीन संस्थान, जिनमें से प्रत्येक में तीन क्लाइंट हैं।
प्राइवेसी बजट: $\epsilon \in \{2, 4, 6, 8\}$ के साथ $\delta = 10^{-5}$ के लिए मूल्यांकन किया गया।
कॉन्फ़िगरेशन: सभी प्रयोगों में CKKS पैरामीटर (पॉलीनोमियल मॉड्यूलस डिग्री 8192, $n_{slots}=4096$ ) को स्थिर रखा गया था।
पुनरुत्पादकता (Reproducibility): परिणाम तीन स्वतंत्र रैंडम सीड्स (42, 123, 7) पर मीन $\pm$ स्टैंडर्ड डेविएशन के रूप में रिपोर्ट किए गए हैं।

मुख्य योगदान

एकीकृत फ्रेमवर्क: एक पदानुक्रमित FL आर्किटेक्चर जो क्लाइंट-स्तरीय DP और संस्थान-स्तरीय CKKS HE को लागू करता है, यह सुनिश्चित करता है कि कोई भी कच्चा डेटा या प्लेनटेक्स्ट मॉडल अपडेट उजागर न हो।
व्यवस्थित अनुभवजन्य मूल्यांकन: दो स्वास्थ्य सेवा-प्रासंगिक डेटासेट और चार प्राइवेसी बजटों के माध्यम से गोपनीयता-उपयोगिता ट्रेडऑफ का एक कठोर मूल्यांकन।
उपयोगिता गिरावट का अलगाव: एक अनुभवजन्य प्रदर्शन कि CKKS HE ग्रेडिएंट एग्रीगेशन लागू करने पर शून्य मापने योग्य सटीकता हानि पेश करता है। यह DP शोर को एकमात्र उपयोगिता गिरावट के स्रोत के रूप में स्थापित करके, गोपनीयता लागत (DP) और गोपनीयता (HE) के बीच एक स्पष्ट अलगाव स्थापित करता है।

परिणाम

सटीकता और उपयोगिता:

बेसलाइन प्रदर्शन: HFL पाइपलाइन ने गोपनीयता तंत्र के बिना उच्च सटीकता प्राप्त की: $99.65\%$ (MNIST) और $97.73\%$ (MIT-BIH)।
DP प्रभाव: DP ने सीमित सटीकता हानि पेश की।
- MNIST: हानि $\epsilon=2$ ( $1.88\%$ ) से $\epsilon=8$ ( $1.25\%$ ) के बीच रही।
- MIT-BIH: हानि $\epsilon=2$ ( $12.23\%$ ) से $\epsilon=8$ ( $6.15\%$ ) के बीच रही। MIT-BIH में उच्च हानि का कारण इमेज पैटर्न की तुलना में ग्रेडिएंट परटर्बेशन के प्रति फिजियोलॉजिकल वेवफॉर्म वर्गीकरण की संवेदनशीलता है।
HE प्रभाव: DP-केवल बनाम DP+HE कॉन्फ़िगरेशन की तुलना करने पर कोई दिशात्मक सटीकता अंतर नहीं मिला। उदाहरण के लिए, $\epsilon=2$ पर, MNIST सटीकता दोनों कॉन्फ़िगरेशन के लिए समान ( $97.77\%$ ) थी। अंतर ( $\Delta_{HE}$ ) प्रभावी रूप से शून्य ( $0.00\%$ से $\pm 0.01\%$ ) था, जो पुष्टि करता है कि एन्क्रिप्शन मॉडल उपयोगिता को कम नहीं करता है।

ओवरहेड:

कंप्यूटेशनल लागत: HE ओवरहेड क्लाइंट टियर पर केंद्रित है।
- क्लाइंट-साइड एन्क्रिप्शन ने डोमिनेंट शेयर (प्रमुख हिस्सा) लिया (जैसे, MNIST के लिए प्रति राउंड $4.42$s और MIT-BIH के लिए $9.74$s)।
- संस्थान-स्तरीय एकत्रीकरण और डिक्रिप्शन हल्का था ($4.42 $s और$ 0.27$s क्रमशः MNIST के लिए)।
कम्युनिकेशन लागत: DP ने शोर इंजेक्शन के कारण मॉडल अपडेट के आकार को लगभग $60\%$ बढ़ा दिया। HE ने कोई अतिरिक्त संचार लागत पेश नहीं की, क्योंकि साइफरटेक्स्ट का आकार मौजूदा ओवरहेड संरचना के भीतर प्रबंधित किया गया था।

महत्व और दावे

यह पेपर यह प्रदर्शित करके स्वास्थ्य सेवा में गोपनीयता-संरक्षित FL को तैनात करने के लिए एक अनुभवजन्य आधार प्रदान करने का दावा करता है कि:

उपयोगिता हानि के बिना गोपनीयता प्राप्त की जा सकती है: CKKS HE का उपयोग भविष्यवाणी प्रदर्शन से समझौता किए बिना ट्रांसमिशन और एकत्रीकरण को सुरक्षित करता है, जिससे गोपनीयता की लागत को गोपनीयता (confidentiality) की लागत से अलग किया जाता है।
DP प्राथमिक उपयोगिता बाधा है: देखी गई सभी सटीकता गिरावट DP शोर के कारण है, जो प्राइवेसी बजट के शिथिल होने पर घटती जाती है।
पुनरुत्पादकता: परिणाम स्वतंत्र सीड्स के बीच स्थिर हैं, जिनका स्टैंडर्ड डेविएशन MNIST के लिए $0.13\%$ से नीचे और MIT-BIH के लिए $1.31\%$ है।

लेखक सीमाओं का उल्लेख करते हैं, विशेष रूप से यह कि संतुलित IID डेटा वितरण का उपयोग प्राइवेसी सिग्नल को डेटा विषमता (heterogeneity) से अलग करता है, जिसका अर्थ है कि रिपोर्ट की गई सटीकता हानि विषम तैनाती के लिए एक निचली सीमा (lower bound) का प्रतिनिधित्व करती है। इसके अतिरिक्त, वर्तमान स्कोप HE को क्लाइंट-टू-इंस्टीट्यूशन टियर तक सीमित करता है, जिससे संस्थान-टू-ग्लोबल टियर भविष्य के शोध (SMPC के माध्यम से) के लिए खुला रहता है। बायज़ेंटाइन रेजिस्टेंस (Byzantine resilience) और ब्लॉकचेन ऑडिटेबिलिटी को स्पष्ट रूप से इस कार्य से बाहर रखा गया है।