[论文解读] Federated Learning for COVID-19 Detection with Generative Adversarial Networks in Edge Cloud Computing

Dinh C. Nguyen, Ming Ding+3 more|arXiv (Cornell University)|Oct 13, 2021

COVID-19 diagnosis using AI参考文献 44被引用 135

一句话总结

该论文提出FedGAN，一种用于边缘云环境中隐私保护型COVID-19检测的联邦学习与生成对抗网络（GAN）框架。通过在医院本地训练GAN，并利用基于区块链的去中心化联邦学习系统聚合模型更新，同时引入差分隐私，FedGAN在不共享真实数据的情况下生成逼真的合成X光图像，与最先进方法相比，实现了更高的检测准确率并降低了训练延迟。

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.

研究动机与目标

• 解决医院间分布式COVID-19 X光数据集受限且受隐私限制访问的问题。
• 通过避免实际数据共享，克服集中式AI训练中的数据隐私顾虑。
• 利用GAN生成的合成图像，提升COVID-19检测训练数据的质量与多样性。
• 通过用去中心化的基于区块链的框架替代中心服务器，确保联邦模型聚合的安全性与可靠性。
• 通过一种新型轻量级储备证明（PoR）共识机制，最小化联邦学习中的训练延迟。

提出的方法

• 在每家医院使用卷积神经网络（CNN）作为生成器和判别器，训练本地GAN，以模仿真实COVID-19 X光数据的分布。
• 实施联邦学习，将医院的本地模型参数在中心云服务器处聚合，避免原始数据的传输。
• 在每家医院集成差分隐私，通过向模型更新添加校准噪声以保护个体数据。
• 提出一种基于区块链的FedGAN框架，采用新型储备证明（PoR）共识机制，实现去中心化的模型聚合并降低延迟。
• 在PoR中设计轻量级区块验证策略，以最小化挖矿延迟，尤其适用于大数据块。
• 采用混合边缘-云架构，其中边缘节点（医院）训练本地GAN，并仅向云或区块链网络传输模型更新。

实验结果

研究问题

• RQ1 联邦GAN框架能否在不共享真实患者数据的情况下，有效生成高质量的合成COVID-19 X光图像？
• RQ2 在联邦GAN训练中集成差分隐私如何影响模型效用与隐私保障？
• RQ3 基于区块链的共识机制能否在确保安全与去中心化的同时降低联邦学习中的延迟？
• RQ4 与传统DPoS相比，新型PoR共识机制对区块验证延迟的影响如何？
• RQ5 在检测准确率与训练效率方面，所提出的基于区块链的FedGAN与集中式及非区块链联邦基线相比表现如何？

主要发现

• 所提出的基于区块链的FedGAN方案在基线FedGAN的性能水平上实现了具有竞争力的检测准确率，尤其在DarkCOVID数据集上表现突出，证明去中心化不会降低模型性能。
• PoR共识机制相比传统基于DPoS的区块链联邦学习，在DarkCOVID数据集上将区块验证延迟降低了23.2%，在ChestCOVID数据集上降低了19.5%。
• 在每家医院集成差分隐私显著增强了数据隐私保护，同时未损害生成的合成图像质量或检测准确率。
• 联邦GAN框架通过生成逼真的合成X光图像，减少了对大规模数据收集的依赖，从而提升了分布式机构的训练性能。
• 所提出的基于区块链的FedGAN整体运行延迟显著低于传统区块链-FL方案，适用于实时医疗AI应用。
• 仿真结果证实，FedGAN在检测准确率与训练效率方面均优于最先进方案，尤其在隐私受限与去中心化环境下表现更优。