다중 모드 헬스케어 예측은 정형화된 전자의무기록, 의료 영상, 그리고 관련 메타데이터를 통합하여 정확도를 높일 수 있습니다. 그러나 이러한 모달리티들은 환자별로 불완전하게 관측되거나 임상 현장마다 불균등하게 분포하는 문제가 있습니다. 연합 학습은 환자 기록을 중앙 집중화하지 않고도 협력적인 모델 훈련을 가능하게 하지만, 클라이언트별 모달리티 가용성, 업데이트 신뢰성, 데이터 분포의 이질성으로 인해 프라이버시를 보존하는 최적화는 여전히 어렵습니다.
본 연구는 부분적으로 관측된 다중 모드 헬스케어 예측을 위한 모달리티 인지 차등 프라이빗 연합 학습 프레임워크인 MoPA-FL을 개발했습니다. 이 프레임워크는 모달리티별 인코더, 게이티드 결측 모달리티 융합, 브랜치별 차등 프라이빗 업데이트 교란, 그리고 모달리티 지원 및 업데이트 신뢰도에 기반한 서버 측 파라미터 그룹 집계를 통합합니다.
MoPA-FL은 COVID Data for Shared Learning 데이터셋을 활용한 통제된 연합 시뮬레이션을 통해 평가되었습니다. 비동질적(non-IID) 연합 설정에서 MoPA-FL은 0.872의 AUROC와 0.683의 AUPRC를 달성했으며, 기존 연합 학습 및 프라이버시 보존 기준선보다 우수한 성능을 보였습니다. 특히, 설정된 프라이버시 예산 ε=2에서 MoPA-FL은 0.847의 AUROC를 달성하여 차등 프라이빗 연합 평균 방식의 0.801보다 높은 성능을 보였습니다.
이러한 결과는 다중 모드 헬스케어 연합 학습에서 프라이버시, 모달리티 불완전성, 클라이언트 이질성을 통합적으로 해결해야 함을 시사합니다. MoPA-FL은 실제 의료 환경에서 데이터 프라이버시를 보호하면서도 불완전한 다중 모드 데이터를 효과적으로 활용하는 데 기여할 수 있습니다.
분산화를 강조하는 연합 학습 시스템은 데이터의 개인 정보 보호 및 보안을 보장하며 협력적인 모델 훈련을 가능하게 합니다. 이러한 분산 시스템에서 클라이언트 인증은 무단 접근을 방지하고, 모델 준비 과정에서 승인되지 않은 사용자가 예외적이거나 관련 없는 사실을 추가하여 모델을 약화시키거나 오염시키고 일관성을 해치는 것을 막는 중요한 요소입니다. 본 연구는 이러한 문제를 해결하기 위한 새로운 2단계 클라이언트 검증 파이프라인을 제안합니다.
제안하는 프레임워크는 1단계에서 확률적 자료 구조를 활용한 경량 사전 필터를 도입합니다. 정적 클라이언트 집단에는 블룸 필터(BF)를, 동적 클라이언트 집단에는 적응형 몫 필터(AQF)를 사용하여 암호화 작업 이전에 후보 클라이언트를 신속하게 선별합니다. 2단계에서는 사전 필터를 통과한 클라이언트에 대해 ECDSA 기반 서명 검증을 수행하여 실제 인증을 완료하고 확률적 필터링의 잔여 오탐(false positive)을 보완합니다. 이 설계는 서버가 BF/AQF를 통해 대부분의 무단 요청을 저렴하게 거부하고, 비용이 많이 드는 암호화 검증은 실제 후보에게만 적용하도록 합니다.
IP 주소 지리적 프로필 데이터셋(129,857개 항목)을 사용하여 메모리 사용량, 조회 시간 및 BF와 AQF의 오탐 동작을 6가지 대체 자료 구조와 비교 평가했습니다. BF와 AQF는 트라이(Trie) 대비 서버 측 메모리 사용량을 최대 90%까지 절감했으며(예: 100,000개 자격 증명에 대해 1.9MB 및 3MB 대 23.2MB), 해시 기반 구조 대비 조회 시간 오버헤드는 미미했습니다(100,000개 레코드에 대해 HashSet의 0.003–0.006초 대비 0.054–0.064초).
프로토콜 수준에서 BF/AQF 사전 필터링과 ECDSA 검증의 결합은 인증 메시지 및 통신 비용을 크게 줄여 연합 학습 시스템의 보안과 확장성을 동시에 향상시킬 수 있음을 보여주었습니다. 이는 분산 환경에서 효율적이고 강력한 클라이언트 인증 메커니즘을 제공하는 중요한 진전입니다.
폐암은 치사율이 높은 암으로, 조기 진단이 효과적인 치료의 핵심입니다. 딥러닝(DL) 기술은 의료진의 진단 부담을 줄일 수 있지만, 기존 모델들은 정확도와 확장성 문제로 질병 탐지 성능이 저하되는 한계가 있었습니다. 이러한 문제 해결을 위해 병원 간의 협력을 통해 더 나은 질병 탐지 성능을 제공하는 연합 학습(FL) 기반의 전역 데이터 학습 질병 탐지(GDTDD) 모델이 제안되었습니다.
본 연구에서는 먼저 각 병원의 폐 CT 이미지 데이터를 중앙값 필터링으로 전처리한 후, MCAU-Net(multi-Convolutional layer-assisted U-Net) 모델을 활용하여 분할했습니다. 분할된 이미지에서 Multi-texton, MBP(Median Binary Pattern), LGTrP(Improved Local Gabor Transitional Pattern) 등의 특징을 추출하고, MS-CAM(multi-scale channel attention module) 기반의 특징 융합 기법을 사용하여 이들을 결합했습니다. 이후, 융합된 특징을 활용하여 하이브리드 RNN 및 MAA-Bi-LSTM(Modified Attention layer Assisted Bidirectional Long Short-Term Memory) 모델을 학습시켜 로컬 모델을 생성했습니다.
이렇게 생성된 로컬 모델들은 연합 학습 프레임워크로 전송되어 병합 및 집계 과정을 거쳐 전역 학습 모델로 통합됩니다. 이 전역 모델은 보안과 프라이버시를 보장하기 위해 블록체인에 저장됩니다. 최종적으로, 블록체인에 저장된 전역 모델은 융합된 특징으로 재학습되어 정확하고 효과적인 질병 탐지 성능을 제공합니다.
실험 결과, 제안된 MAA-Bi-LSTM+RNN 모델은 질병 탐지에서 높은 효과를 보였습니다. 특히, 제안 모델의 정밀도(Precision)는 95.48%, F-측정(F-measure) 값은 96.30%로 나타나, 기존 모델 대비 우수한 성능을 입증했습니다. 이는 분산된 의료 환경에서 안전하고 효율적인 진단 시스템 구축 가능성을 시사합니다.
연합 학습(FL)은 원본 데이터를 중앙 집중화하지 않고 분산 모델 훈련을 가능하게 하여 프라이버시에 민감한 IoT 환경에 적합합니다. 그러나 기존 FL 알고리즘은 통계적으로 이질적인(non-IID) 데이터 분포에서 클라이언트 드리프트로 인해 수렴 속도가 느려지고 성능이 저하되는 문제가 있습니다. 본 논문은 이러한 문제를 해결하기 위해 확률적 경사 하강법의 클라이언트 업데이트 규칙에 파티클 군집 최적화(PSO) 역학(속도 평활화, 개인 최적 기억, 전역 최적 조정)을 통합한 하이브리드 연합-군집 최적화(HFSO) 알고리즘을 제안합니다.
제안된 HFSO 알고리즘은 라운드당 통신 부하를 늘리지 않으면서 심각한 non-IID 조건에서 수렴을 가속화하고 견고성을 향상시키는 것을 목표로 합니다. CIFAR-10 및 FEMNIST 데이터셋에 대한 실험 결과, HFSO는 FedAvg 및 최신 이질성 인식 방법(FedNova, MOON, CCVR)보다 우수한 성능을 보였습니다. 특히 CIFAR-10에서 HFSO는 500라운드에서 74.84%의 정확도를 달성하여 FedAvg의 62.44%를 크게 상회했습니다.
분포 분석 결과, HFSO는 최악의 클라이언트 정확도를 개선하고 클라이언트 간 분산을 감소시키는 것으로 나타났습니다. 제한된 화이트박스 위협 모델에서의 경험적 프라이버시 평가에서는 공격에 대한 취약성이 감소함을 보여주었습니다. 이는 HFSO가 non-IID 환경에서 연합 학습의 효율성과 안정성을 크게 향상시킬 수 있음을 시사합니다.
신용카드 사기는 매년 수십억 달러의 손실을 발생시키지만, 프라이버시 문제로 인해 은행 간 거래 데이터 공유가 어렵습니다. 이로 인해 연합 학습(Federated Learning, FL) 환경에서 사기 샘플 부족 문제가 발생하며, 이는 통일된 모델 훈련에 큰 제약이 됩니다.
본 연구는 이러한 문제를 해결하기 위해 연합 학습 합성 소수 오버샘플링 기법(FL-SMOTE)을 제안합니다. 이 기법은 부분 동형 암호화와 완전 동형 암호화의 장점을 결합하여 성능과 보안을 강화합니다. 특히, 유클리드 거리 합산, 암호문 비교, 프라이버시 보존 유클리드 거리 순위 지정에 부분 동형 암호화를 활용합니다.
합성 소수 클래스 샘플 생성 및 연합 학습의 보안 집계에는 CKKS(Cheon-Kim-Kim-Song) 방식을 사용합니다. CKKS 근사법을 적용하여 계산 복잡성과 정확성 간의 균형을 맞추었으며, 로지스틱 회귀 모델에 CKKS 방식을 통합하는 방법을 제시합니다. 또한, 클라이언트 손실 함수에 2차 항을 추가하여 로컬 모델과 가속화된 전역 모델 간의 불일치를 정규화합니다.
제안된 FL-SMOTE 알고리즘은 두 가지 공개 데이터셋을 통해 평가되었습니다. 실험 결과, FL-SMOTE가 훈련 결과를 향상시키고 오버샘플링 목표를 성공적으로 달성함을 입증했습니다. 이 연구는 금융 사기 탐지 분야에서 데이터 프라이버시를 유지하면서 모델 성능을 개선하는 실질적인 해결책을 제시합니다.
연합 학습(FL)은 여러 장치나 기관이 로컬 데이터를 공유하지 않고도 기계 학습(ML) 모델을 공동으로 훈련할 수 있게 하는 접근 방식입니다. 이는 환자 건강 데이터를 활용한 의료 ML 모델 훈련의 윤리적 난제를 극복할 유망한 방법으로 주목받고 있습니다. 본 연구는 헬스케어 분야에서 FL의 잠재력을 윤리적 관점에서 탐구합니다.
의료 FL은 '연합 불투명성'이라는 새로운 형태의 불투명성을 야기한다고 주장합니다. 이는 이해관계자들이 모델 훈련에 사용된 데이터에 접근, 분석 또는 관리할 수 없게 만듭니다. 이러한 불투명성은 의료 ML의 기관 공정성 및 책임에 대한 독특한 윤리적 문제를 제기하며, 데이터 오염 공격에 특히 취약하게 만듭니다.
또한, 본 연구는 헬스케어 분야에서 FL의 기대되는 이점에 대한 주요 주장들이 과장되거나 오해의 소지가 있거나 불완전할 수 있음을 지적합니다. 이는 주로 연합 불투명성 문제에서 비롯됩니다. 따라서 FL의 윤리적 함의와 잠재적 위험을 신중하게 고려해야 합니다.
본 연구는 연합 학습의 윤리적 측면을 심층적으로 분석하여, 헬스케어 분야에 안전하고 책임감 있는 ML 기술을 도입하기 위한 중요한 통찰을 제공합니다.
