earticle

영어

Federated Learning (FL) addresses privacy concerns in medical AI by facilitating cooperative model training across several healthcare organizations without exchanging patients' raw data. However, traditional FL still runs the danger of privacy leaking due to gradient exposure. In order to protect data and model parameters, this research aims to provide a privacy-enhanced FL framework that combines Differential Privacy (DP) with Homomorphic Encryption (HE). While HE encrypts communication with encrypted computation, DP adds controlled noise to gradients. Experiments on a real medical dataset for disease classification demonstrate that the suggested FL + DP + HE strategy achieves 90.7% accuracy with good privacy (ε = 1.2) and modest communication cost. For safe healthcare applications, the model provides a good balance between efficiency, privacy, and performance.

한국어

연방학습은 환자의 원시 데이터를 교환하지 않고 여러 의료기관간 협력적 모델훈련을 가능하게 함으로써 의료 AI의 개인정보 보호 문제를 해결한다. 그러나 기존 연방학습은 여전히 기울기 노출로 인한 개인정보 유출 위 험이 존재한다. 본 연구는 데이터와 모델 매개변수를 보호하기 위해 차등 프라이버시(DP)와 동형 암호화(HE)를 결합한 프라이버시 강화연방학습 프레임워크를 제안한다. 동형암호는 암호화된 연산을 통해 통신을 암호화하는 반 면, 차등 프라이버시는 기울기에 제어된 노이즈를 추가한다. 실제 의료 데이터셋을 활용한 질병분류 실험결과, 제안 한 모델은 우수한 프라이버시(ε = 1.2)와 적당한 통신비용으로 90.7%의 정확도를 보였다. 안전한 의료 애플리케이 션을 위해 본 모델은 효율성, 프라이버시, 성능간의 적절한 균형을 제공한다.