Исследователи представили новый фреймворк для федеративного обучения, предназначенный для работы с чувствительными данными электроэнцефалографии (ЭЭГ). Система использует механизм безопасной агрегации на основе маскирования, что позволяет нескольким медицинским учреждениям совместно обучать модели, не обмениваясь исходными записями пациентов и минимизируя риск утечки конфиденциальной информации через обновления градиентов.
Традиционные методы федеративного обучения часто уязвимы для атак, направленных на восстановление данных из промежуточных весов моделей. Предложенный подход интегрирует графовые структуры для учета пространственно-временных особенностей сигналов мозга, что повышает точность классификации состояний при сохранении строгих стандартов приватности. Это решение позволяет эффективно использовать распределенные клинические датасеты, которые ранее были недоступны для централизованного анализа из-за регуляторных ограничений.
Архитектура системы фокусируется на предотвращении утечек на этапе агрегации, где локальные обновления от разных узлов объединяются в глобальную модель. Использование маскирования гарантирует, что центральный сервер не может получить доступ к индивидуальным вкладам участников, сохраняя при этом общую производительность нейросетевой архитектуры на уровне, сопоставимом с обучением на объединенных данных.
Ключевые факты
- Разработан метод безопасной агрегации (secure aggregation) на основе маскирования для защиты обновлений моделей.
- Фреймворк адаптирован для работы с клиническими данными ЭЭГ, учитывая их специфическую графовую структуру.
- Метод решает проблему конфиденциальности при федеративном обучении, предотвращая восстановление исходных данных пациентов.
- Технология позволяет проводить совместные исследования между медицинскими организациями без передачи персональных медицинских записей.