[논문 리뷰] Federated Learning for COVID-19 Detection with Generative Adversarial Networks in Edge Cloud Computing

Dinh C. Nguyen, Ming Ding외 3명|arXiv (Cornell University)|2021. 10. 13.

COVID-19 diagnosis using AI참고 문헌 44인용 수 135

한 줄 요약

이 논문은 엣지 클라우드 환경에서 개인정보 보호를 위한 코로나19 검출을 위해 연합 학습과 생성 적대적 네트워크(GAN) 프레임워크인 FedGAN을 제안한다. 병원에서 로컬 GAN을 훈련하고, 차별적 프라이버시를 갖춘 탈중앙화 블록체인 기반 연합 학습 시스템을 통해 모델 업데이트를 집계함으로써, 실제 데이터를 공유하지 않고도 현실적인 합성 X레이 이미지를 생성하여, 최신 기술 대비 낮은 훈련 지연 시간과 함께 높은 검출 정확도를 달성한다.

ABSTRACT

COVID-19 has spread rapidly across the globe and become a deadly pandemic. Recently, many artificial intelligence-based approaches have been used for COVID-19 detection, but they often require public data sharing with cloud datacentres and thus remain privacy concerns. This paper proposes a new federated learning scheme, called FedGAN, to generate realistic COVID-19 images for facilitating privacy-enhanced COVID-19 detection with generative adversarial networks (GANs) in edge cloud computing. Particularly, we first propose a GAN where a discriminator and a generator based on convolutional neural networks (CNNs) at each edge-based medical institution alternatively are trained to mimic the real COVID-19 data distribution. Then, we propose a new federated learning solution which allows local GANs to collaborate and exchange learned parameters with a cloud server, aiming to enrich the global GAN model for generating realistic COVID-19 images without the need for sharing actual data. To enhance the privacy in federated COVID-19 data analytics, we integrate a differential privacy solution at each hospital institution. Moreover, we propose a new blockchain-based FedGAN framework for secure COVID-19 data analytics, by decentralizing the FL process with a new mining solution for low running latency. Simulations results demonstrate the superiority of our approach for COVID-19 detection over the state-of-the-art schemes.

연구 동기 및 목표

• 병원 간 분산된 코로나19 X레이 데이터셋에 대한 접근 제한과 개인정보 보호 문제를 해결한다.
• 실제 데이터 공유를 방지함으로써 중앙집중형 AI 훈련에서 발생하는 데이터 프라이버시 문제를 해결한다.
• GAN을 통해 생성된 합성 이미지를 활용해 코로나19 검출을 위한 훈련 데이터의 품질과 다양성을 향상시킨다.
• 중앙 서버를 대체하여 탈중앙화 블록체인 기반 프레임워크를 도입함으로써 안전하고 신뢰할 수 있는 연합 모델 집계를 보장한다.
• 블록체인을 위한 신규 경량 증명 방식인 증거 보존 증명(PoR) 합의 메커니즘을 도입하여 연합 학습의 훈련 지연을 최소화한다.

제안 방법

• 생성자와 판별자에 각각 컨volutional 신경망(CNNs)을 사용하여 병원에서 로컬 GAN을 훈련시켜 실제 코로나19 X레이 데이터 분포를 모방한다.
• 원시 데이터 전송을 방지하기 위해 병원에서의 로컬 모델 파라미터를 중앙 클라우드 서버에서 연합 학습을 통해 집계한다.
• 개인 데이터를 보호하기 위해 각 병원에서 보정된 노이즈를 모델 업데이트에 추가하여 차별적 프라이버시를 구현한다.
• 신규 증명 방식인 증거 보존 증명(PoR) 합의 메커니즘을 사용한 블록체인 기반 FedGAN 프레임워크를 제안하여 모델 집계를 탈중앙화하고 지연 시간을 줄인다.
• 특히 큰 데이터 블록에 대해 지연 시간을 최소화하기 위해 PoR에서 경량 블록 검증 전략을 설계한다.
• 엣지 노드(병원)가 로컬 GAN을 훈련하고 클라우드 또는 블록체인 네트워크에 모델 업데이트만 전송하는 하이브리드 엣지-클라우드 아키텍처를 사용한다.

실험 결과

연구 질문

• RQ1 실제 환자 데이터를 공유하지 않고도 연합 GAN 프레임워크가 고품질의 합성 코로나19 X레이 이미지를 효과적으로 생성할 수 있는가?
• RQ2 연합 GAN 훈련에 차별적 프라이버시를 통합할 경우 모델의 유용성과 프라이버시 보장 수준에 어떤 영향을 미치는가?
• RQ3 블록체인 기반 합의 메커니즘이 보안성과 탈중앙화를 확보하면서도 연합 학습의 지연 시간을 줄일 수 있는가?
• RQ4 기존의 DPoS 대비 신규 PoR 합의 메커니즘이 블록 검증 지연 시간에 어떤 영향을 미치는가?
• RQ5 제안된 블록체인 기반 FedGAN의 성능은 중앙집중형 및 비블록체인 기반 연합 기반 모델 대비 검출 정확도와 훈련 효율성 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 블록체인 기반 FedGAN은 기준 모델인 FedGAN과 경쟁 가능한 검출 정확도를 달성하였으며, 특히 DarkCOVID 데이터셋에서 탈중앙화가 모델 성능을 떨어뜨리지 않음을 입증하였다.
• PoR 합의 메커니즘은 기존 DPoS 기반 블록체인 연합 학습 대비 DarkCOVID 데이터셋에서 최대 23.2%의 블록 검증 지연 시간 감소를 기록하였고, ChestCOVID 데이터셋에서는 19.5% 감소를 기록하였다.
• 각 병원에서 차별적 프라이버시를 통합함으로써 데이터 프라이버시가 크게 향상되었으며, 생성된 합성 이미지의 품질이나 검출 정확도에 영향을 주지 않았다.
• 연합 GAN 프레임워크는 대규모 데이터 수집의 필요성을 줄이며, 현실적인 합성 X레이 이미지를 생성하여 분산된 기관 간의 훈련 성능 향상에 기여한다.
• 제안된 블록체인 기반 FedGAN의 전체 실행 지연 시간은 기존 블록체인-연합 학습 기반 기술보다 뚜렷이 낮아 실시간 의료 AI 응용에 적합하다.
• 시뮬레이션 결과는 FedGAN이 개인정보 제약 조건과 탈중앙화 환경에서 최신 기술 대비 검출 정확도와 훈련 효율성 측면에서 뛰어난 성능을 보임을 확인하였다.