چارچوبی ترکیبی برای حفظ محرمانگی در یادگیری فدرال تصاویر پزشکی با استفاده از سیستم های فوق آشوبی و ماسک سازی مربع جادویی

یادگیری فدرال به عنوان یک رویکرد غیرمتمرکز، امکان آموزش مشارکتی مدل ها را بدون اشتراک گذاری داده های خام فراهم می کند. با این حال، پژوهش های اخیر نشان داده اند که گرادیان های مدل نیز می توانند اطلاعات حساسی را فاش کنند و سیستم را در برابر حملات استنتاجی آسیب پذیر سازند. این چالش در حوزه تصاویر پزشکی که داده ها ذاتا حساس و تحت قوانین سخت گیرانه ای مانند HIPAA و GDPR محافظت می شوند، جدی تر می شود. در این پژوهش، چارچوبی نوین به نام Fed-MS-Crypt (Federated Magic Square Cryptography) ارائه می شود که برای اولین بار، سیستم های فوق آشوبی، جعبه های جایگزینی پویا، مربع جادویی و قضیه باقیمانده چینی را در یک معماری یادگیری فدرال چندمدلی ترکیب می کند. در روش پیشنهادی، هر بیمارستان ابتدا تصاویر خود را با استفاده از یک سیستم فوق آشوبی چهاربعدی و جعبه های جایگزینی وابسته به محتوا رمزنگاری می کند. سپس گرادیان های مدل با ستون های مربع جادویی پویا ماسک سازی شده و با قضیه باقیمانده چینی فشرده می شوند تا حجم داده های انتقالی کاهش یابد۳۸۳m,. سرور مرکزی نیز با بهره گیری از پنج مدل جهانی و یک مکانیزم آستانه ای، کلاینت های مخرب را شناسایی و حذف می کند. ارزیابی روش بر روی مجموعه ای از تصاویر پزشکی، نتایج قابل توجهی را نشان می دهدکه در مقایسه با روش های پیشین، بهبود چشمگیری در همبستگی مکانی و کیفیت رمزنگاری محسوب می شود. همچنین، ماسک سازی مربع جادویی، محرمانگی گرادیان ها را در برابر حملات استنتاجی تضمین می کند. این چارچوب با تامین محرمانگی در دو سطح تصویر و گرادیان، راهکاری جامع برای سیستم های سلامت دیجیتال و همکاری بین بیمارستانی ارائه می دهد.

کلیدواژه ها:

یادگیری فدرال ، رمزنگاری تصاویر پزشکی ، سیستم فوق آشوبی ، مربع جادویی ، قضیه باقیمانده چینی