0
| 本文作者： 李雨晨 | 2019-10-28 11:21 |
雷鋒網消息，日前，英偉達與倫敦國王學院以及一家法國初創(chuàng)公司Owkin合作，在新成立的倫敦醫(yī)學影像與人工智能中心中應用了聯邦學習技術。
這項技術論文在今年的MICCAI 2019大會上發(fā)布，英偉達與倫敦國王學院研究人員在大會上介紹了聯邦學習技術的實施細節(jié)。
研究人員表示：“聯邦學習在無需共享患者數據的情況下，即可實現協作與分散化的神經網絡訓練。各節(jié)點負責訓練其自身的本地模型，并定期提交給參數服務器。服務器不斷累積并聚合各自的貢獻，進而創(chuàng)建一個全局模型，分享給所有節(jié)點。”
研究人員進一步解釋道，雖然聯邦學習可以保證極高的隱私安全性，但通過模型反演，仍可以設法使數據重現。為了幫助提高聯邦學習的安全性，研究人員研究試驗了使用ε-差分隱私框架的可行性。這個框架是一種正式定義隱私損失的方法，可以借助其強大的隱私保障性來保護患者與機構數據。
據了解，試驗是基于取自BraTS 2018數據集的腦腫瘤分割數據實施的。BraTS 2018 數據集包含有285位腦腫瘤患者的MRI掃描結果。
NVIDIA團隊解釋到，聯邦學習有望有效聚合各機構從私有數據中本地習得的知識，從而進一步提高深度模型的準確性、穩(wěn)健性與通用化能力。
以下為論文詳細內容，由雷鋒網AI掘金志學術組編譯。關注AI掘金志公眾號，在對話框回復關鍵詞“英偉達”，即可獲取原文PDF。
由于醫(yī)療數據的隱私規(guī)定，在集中數據湖中收集和共享患者數據通常是不可行的。這就給訓練機器學習算法帶來了挑戰(zhàn)，例如深度卷積網絡通常需要大量不同的訓練示例。聯邦學習通過將代碼帶給患者數據所有者，并且只在他們之間共享中間模型訓練的信息，從而避開了這一困難。盡管適當地聚合這些模型可以獲得更高精度的模型，但共享的模型可能會間接泄漏本地訓練數據。
在本文中，我們探討了在聯邦學習系統(tǒng)中應用微分隱私技術來保護病人數據的可行性。我們在BraTS數據集上應用并評估了用于腦腫瘤分割的實用聯邦學習系統(tǒng)。實驗結果表明，模型性能與隱私保護成本之間存在一種折衷關系。
深度學習神經網絡（DNN）在多種醫(yī)學應用中都顯示出很好的效果，但它高度依賴于訓練數據的數量和多樣性[11]。在醫(yī)學成像方面，這構成了一種特殊困難：例如，由于患者數量或病理類型的原因，所需的訓練數據可能無法在單個機構中獲得。同時，由于醫(yī)療數據隱私規(guī)定，在集中數據湖中收集和共享患者數據通常是不可行的。
解決此問題的一個最新方法是聯邦學習（FL）[7,9]：它允許在不共享患者數據的情況下對DNN進行合作和分布式訓練。每個節(jié)點都訓練自己的本地模型，并定期將其提交給參數服務器。服務器收集并聚合各個節(jié)點模型以生成一個全局模型，然后與所有節(jié)點共享。
需要注意的是，訓練數據對每個節(jié)點都是私有的，在學習過程中不會被共享。只共享模型的可訓練權重或更新，從而保持患者數據的私密性。因此，FL簡潔地解決了許多數據安全挑戰(zhàn)，將數據放在需要的地方，并支持多機構協作。
雖然FL可以在隱私方面提供高水平的安全性，但它仍然存在危險，例如通過模型逆推來重建單個訓練模型。一種應對措施是在每個節(jié)點的訓練過程中注入噪聲并對更新進行扭曲，以隱藏單個模型節(jié)點的貢獻并限制訓練節(jié)點之間共享信息的粒度。[3,1,10]然而，現有的隱私保護研究只關注一般機器學習基準，如MNIST和隨機梯度下降算法。
在這項工作中，我們實現并評估實用的聯邦學習系統(tǒng)，用于腦腫瘤分割。通過對BraTS 2018的一系列實驗，我們證明了醫(yī)學成像隱私保護技術的可行性。
我們的主要貢獻是：（1）盡我們所知，實現并評估第一個用于醫(yī)學圖像分析的隱私保護聯邦學習系統(tǒng)；（2）比較和對比聯合平均算法處理基于動量的優(yōu)化和不平衡訓練節(jié)點的各個方面；（3）對稀疏向量技術進行了實證研究，以獲得一個較強的微分隱私保證。
我們使用聯合平均算法研究基于客戶端-服務器架構（如圖1（左）所示）的FL系統(tǒng)[7]，其中集中服務器維護全局DNN模型并協調客戶端的局部隨機梯度下降（SGD）更新。本節(jié)介紹客戶端模型訓練過程、服務器端模型聚合過程以及部署在客戶端的隱私保護模塊。
2.1客戶端模型訓練過程
我們假設每個聯合客戶端都有一個固定的本地數據集和合適的計算資源來運行小批量SGD更新。客戶端也共享相同的DNN結構和損失函數。訓練程序詳見 Algorithm 1圖中。在聯合訓練t輪中，通過從服務器讀取全局模型參數w（t）初始化本地模型，并通過運行多次SGD迭代將其更新為w（l，t）。在固定次數的迭代n（本地）之后，將模型差異△w（t）與聚合服務器共享。
醫(yī)學圖像的DNN通常采用基于動量的SGD進行訓練。在優(yōu)化過程中引入基于動量的梯度，在計算當前步驟時將上一步SGD步驟納入計算。它有助于加速訓練，減少振蕩。我們探索了在FL中處理這些步驟的設計選擇。在我們提出的過程（Algorithm1；以ADAM Optimiser[5]為例）中，我們在每輪聯合訓練開始時（第3行；表示為m.restart）重新初始化每個客戶端的基于動量的梯度。
由于本地模型參數是從聚合其他客戶端信息的全局模型參數初始化的，因此重新啟動操作有效地清除了可能干擾訓練過程的客戶端本地狀態(tài)。經驗性的與以下兩種方式進行比較（a）客戶端在不共享的情況下保留一組本地動量變量；表示為baseline m；（b）將動量變量視為模型的一部分，即變量在本地更新并由服務器聚合（表示為m.aggregation）。雖然m.aggregation在理論上是合理的[12]，但它需要將動量變量傳送到服務器。這增加了通信開銷和數據安全風險。
2.2客戶端隱私保護模型
客戶端被設計為對共享的數據進行完全控制，并且本地訓練數據永遠不會離開客戶端的站點。不過，像參考文獻[4]中這樣的模型逆推侵襲可以從更新的△w（t） 或者聯合訓練中的全局模型w（t）提取中出病人隱私信息。我們采用選擇性參數更新和稀疏向量技術（SVT）來提供對間接性數據泄漏的強大保護。
選擇性參數更新：客戶端訓練結束時的完整模型可能會過擬合，并記憶了本地訓練示例。共享此模型會帶來暴露訓練數據的風險。選擇性參數共享方法限制客戶端共享的信息量。這是通過（1）只上傳△w（t）k的一部分：如果abs（wi）大于閾值τ（t）k，則共享△w（t）k的分量wi；（2）通過將值剪裁到固定范圍[-γ，γ]來進一步替換△w（t）k來實現的。這里abs（x）表示x的絕對值；τ（t）k是通過計算abs(△w（t）k)的百分位數來選擇的；γ獨立于特定的訓練數據，并且可以在訓練前通過一個小型的公共可用驗證集來選擇。梯度剪裁作為一種模型正則化方法也被廣泛應用，以防止模型過擬合。
微分隱私模型：利用SVT可以進一步改善選擇性參數共享，使其具有很強的微分隱私保證。Algorithm 2描述了wi選擇和共享被打亂分量的過程。直觀地說，共享wi的每一個查詢都是由Laplacian機制控制的，而不是簡單地對abs（△w（t）k）進行閾值化并共享分量wi。這是首先通過比較剪接及加入噪聲的abs（wi）和噪聲閾值τ（t）+Lap（s/ε2）（第8行，Algorithm 2），然后僅共享噪聲結果（wi+Lap（qs/ε3），γ）（如果滿足閾值條件）。這里Lap（x）表示從由x參數化的laplace分布中采樣的隨機變量；clip（x，γ）表示x的剪裁到[-γ，γ]的范圍內；s表示在這種情況下由γ限定的聯合梯度的靈敏度。重復選擇程序，直到釋放△w（t）k的q分數。此過程滿足（ε1+ε2+ε3）-差異隱私。
2.3服務器端模型聚合
服務器分布一個全局模型，并在每個聯合輪次接收來自所有客戶端的同步更新（Algorithm 3）。不同的客戶端可能有不同數量的本地迭代用于生成△w（t）k，因此客戶端的貢獻可以是不同訓練速度下的SGD更新。很重要的一點是要求客戶端提供一個n（local），并在聚合它們時對貢獻進行加權（第9行，Algorithm 3）。在部分模型共享的情況下，利用△w（t）k的稀疏特性來減少通信開銷是將來需要做的工作。
本節(jié)介紹了實驗配置，包括每個FL系統(tǒng)使用的常見超參數。
數據準備：BraTs 2018數據集包含285例腦腫瘤患者的多參數術前MRI掃描。每個受試者用四種方式掃描，即：（1）T1加權，（2）T1加權增強，（3）T2加權，（4）T2液體衰減反轉恢復（T2-FLAIR）。掃描結果被配準到相同的解剖模板上，重新取樣到1×1×1 mm3的空間分辨率，并剝離顱骨。每個受試者數據還有經驗豐富的神經放射學專家的像素級標注，標注出“整個腫瘤”、“腫瘤核心”和“增強腫瘤”。有關數據采集和注釋協議的詳細信息，請參閱Bakas等人。這個已完全標注的腫瘤分割數據集以前用于評估機器學習算法的標準，并且是公開的。我們選擇使用它來評估具有多模態(tài)和多分類分割任務的FL算法。對于客戶端本地訓練，我們采用了最先進的訓練方法，最初是作為Nvidia Clara Train SDK3的一部分設計和實施的，用于數據集中訓練。
為了在受試者中測試模型泛化能力，我們將數據集隨機分成一個模型訓練集（n=242名患者）和一個驗證測試集（n=43名被試）。這些掃描圖像是從13個具有不同設備和成像協議的機構采集的，從而導致圖像特征分布的不均勻性。為了使我們的聯合訓練更真實，我們進一步將訓練集分為13個不相交的子集，這些子集根據圖像數據的來源和分配給每個聯合客戶端。這種設置對FL算法來說是一個挑戰(zhàn)，因為（1）每個聯合客戶端只處理來自單一機構的數據，與數據集中訓練相比，該機構可能會遭受更嚴重的域轉移和過擬合問題；（2）它反映了數據集的高度不平衡性（如Fig1所示）。最大的機構擁有的訓練數據是最小機構的25倍。
聯合模型配置：FL的評估過程與卷積網絡結構的選擇是垂直的。在不失通用性的前提下，我們選擇Myronenko[8]提出的分割骨干作為底層聯合訓練模型，對所有實驗使用相同的局部訓練超參數集：網絡的輸入圖像窗口大小為224×224×128像素，第一卷積層的空間丟棄率為0.2。與[8]類似，我們使用ADAM Optimiser將soft Dice loss 最小化，學習率為10-4，批量大小為1，β1為0.9，β2為0.999，l2重量衰減系數為10-5。對于所有聯合訓練，我們將聯合訓練輪次的數量設置為300，每個聯合訓練輪次中每個客戶端運行兩個本地epoch。本地epoch被定義為每個客戶端“看到”其本地訓練數據一次。在每個epoch的開始，在聯合訓練中，數據被本地打亂后給每個客戶端。為了比較模型的收斂性，我們還做了600個epoch的數據集中的訓練作為參考基準。
在計算代價方面，分割模型的參數約為1.2×106；使用nvidia tesla v100 gpu進行的訓練迭代大約需要0.85s。
模型評估：我們使用三種腫瘤區(qū)域和所有測試對象的平均Dice score來測量模型在測試集上的分割性能。對于FL系統(tǒng)，我們公布聯合客戶端之間共享的全局模型的性能。
隱私保護模塊設置：選擇性參數更新模塊有兩個系統(tǒng)參數：模型q的分數和梯度限幅值γ。我們通過改變兩者來測試模型性能。對于微分隱私模塊，我們根據文獻[6]將γ固定為10-4，靈敏度s固定為2γ，以及ε2 to（2qs）2／3ε1。下一節(jié)將介紹通過改變q、ε1和ε3而獲得的模型性能。
４. 結果
聯合VS數據集中訓練：將FL系統(tǒng)與Fig.2（左）中的數據集中訓練進行比較。在不共享客戶數據的情況下，我們提出的FL程序可以獲得不錯的分割性能。從訓練時間上看，數據集中模型在約300個訓練時段收斂，FL模型訓練在約600個訓練時段收斂。在我們的實驗中，使用Nvidia Tesla V100 GPU進行數據集中訓練（n=242）的時間為0.85s×242=205.70s/epoch。FL訓練時間由最慢的客戶端（n=77）決定，它需要0.85s×77=65.45s再加上用于客戶端-服務器通信的少量時間。
動量重啟和權值平均：Fig.2（左）中也比較了FL程序的變體。對于處理動量變量，在每一輪聯合循環(huán)中重新啟動它們的效果優(yōu)于所有其他變量。這表明（1）每一個客戶端維護一組獨立的動量變量會減慢聯合模型的收斂速度；（2）平均每個客戶端的動量變量會提高baseline m的收斂速度，但仍然得出比集中數據更差的全局模型。在服務器端，模型參數的加權平均優(yōu)于簡單的模型平均。這表明加權版本可以處理跨客戶端的不平衡本地訓練迭代次數。
局部模型共享：Fig.2（右）通過改變要共享的模型的比例和梯度剪切值來比較局部模型共享。這個數字表明，共享更大比例的模型可以獲得更好的性能。局部模型共享不影響模型的收斂速度，當客戶端共享整個模型的40%時，性能下降幾乎可以忽略不計。對梯度進行剪裁有時可以提高模型性能。但是，需要仔細調整該值。
微分隱私模型：通過改變微分隱私（DP）參數的模型性能如Fig.3所示。正如預期的那樣，DP保護和模型性能之間存在權衡。在相同的DP設置下，共享10%模型比共享40%模型表現出更好的性能。這是因為總的隱私成本ε是由訓練過程中增加的噪聲量和共享的參數數共同定義的。通過固定每個參數DP成本，共享較少的變量具有更少的總體DP成本，從而獲得更好的模型性能。
我們提出了一個用于腦腫瘤分割的聯邦學習系統(tǒng)，探索了聯合模型共享的各個實際應用方面，重點研究如何保護患者數據隱私。雖然提供了強大的差異性隱私保護措施，但隱私成本分配是保守的。在未來，我們將探索用于醫(yī)學圖像分析任務的微分隱私SGD算法（如參考文獻[1]）。雷鋒網
參考文獻
1. Abadi, M., et al.: Deep Learning with Differential Privacy. ACM SIGSAC Conference on Computer and Communications Security pp. 308–318 (2016)
2. Bakas, S., et al.: Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge. arXiv:1811.02629 (2018)
3. Geyer, R.C., Klein, T., Nabi, M.: Differentially private federated learning: A client level perspective. arXiv:1712.07557 (2017)
4. Hitaj, B., Ateniese, G., Perez-Cruz, F.: Deep models under the GAN: information leakage from collaborative deep learning. In: SIGSAC. pp. 603–618. ACM (2017)
5. Kingma, D.P., Ba, J.: Adam: A method for stochastic optimization.
arXiv:1412.6980 (2014)
6. Lyu, M., Su, D., Li, N.: Understanding the sparse vector technique for differential privacy. Proceedings of the VLDB Endowment 10(6), 637–648 (2017)
7. McMahan, H.B., et al.: Communication-Efficient Learning of Deep Networks from Decentralized Data. arXiv:1602.05629 [cs] (Feb 2016)
8. Myronenko, A.: 3D MRI brain tumor segmentation using autoencoder regularization. In: International MICCAI Brainlesion Workshop. pp. 311–320 (2018)
9. Sheller, M.J., et al.: Multi-institutional deep learning modeling without sharing patient data: A feasibility study on brain tumor segmentation. In: MICCAI Brain-lesion Workshop. pp. 92–104 (2018)
10. Shokri, R., Shmatikov, V.: Privacy-Preserving Deep Learning. In: ACM SIGSAC Conference on Computer and Communications Security. pp. 1310–1321 (2015)
11. Sun, C., Shrivastava, A., Singh, S., Gupta, A.: Revisiting Unreasonable Effectiveness of Data in Deep Learning Era. arXiv:1707.02968 [cs] (Jul 2017)
12. Yu, H., Jin, R., Yang, S.: On the linear speedup analysis of communication efficient momentum sgd for distributed non-convex optimization. arXiv:1905.03817 (2019)
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
