Newest papers

Privacy-Preserving Personalized Federated Learning (PPP-FL) for Medical Imaging

Md Morshedul Islam, Hossain Shahriar, Alfredo Cuzzocrea · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.27470 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Liên kết học tập phạm vi (FL) là một mô hình phân phối dữ liệu khung học mà làm giảm chi phí truyền tải, giảm thiểu các hạn chế chia sẻ dữ liệu xuyên biên giới, và tăng cường quyền riêng tư bằng cách giữ dữ liệu thô trên các thiết bị địa phương. Khách hàng trong các hệ thống FL đào tạo các mô hình địa phương và chỉ chia sẻ các bản cập nhật, được tổng hợp bởi một máy chủ trung tâm. Trong khi thiết lập này hạn chế tiếp xúc dữ liệu trực tiếp, FL vẫn dễ bị tấn công bảo mật. Các chiến lược tấn công và phòng thủ hiện có đã được phát triển rộng rãi cho các hệ thống tập trung, và thích nghi với FL đưa ra những thách thức mới do kiến trúc tổng hợp và luồng công việc đào tạo độc đáo của nó. Trong công việc này, chúng tôi lần đầu tiên đề xuất một cuộc tấn công mô hình đảo ngược trên các hệ thống FL sử dụng

Machine translation (Meta M2M100); the English original follows.

Abstract

Federated learning (FL) is a distributed machine learning paradigm that reduces transmission costs, mitigates cross-border data sharing restrictions, and enhances privacy by keeping raw data on local devices. Clients in FL systems train local models and share only updates, which are aggregated by a central server. While this setup limits direct data exposure, FL remains vulnerable to privacy attacks. Existing attack and defense strategies have largely been developed for centralized systems, and adapting them to FL introduces new challenges due to its unique architecture and training workflow. In this work, we first propose a model inversion attack on FL systems using Deep Convolutional Generative Adversarial Networks (DCGANs) in the context of large-scale medical imaging. Our method operates under realistic assumptions about the attacker's knowledge and capabilities. We then examine the effect of client-side differential privacy (DP) in mitigating privacy leakage and incorporate personalized FL to improve model performance under DP settings. Experiments on the Brain MRI ND-5 dataset show that DCGAN-based attacks can reconstruct semantically meaningful synthetic images, revealing significant risks to the privacy of training data. Applying DP reduces attack success but introduces an accuracy trade-off, which is further overcome by personalized FL at each client side. We also evaluate how different aggregation algorithms affect both attack vulnerability and defense effectiveness, underscoring the critical role of aggregation strategies. The proposed attack-and-defense framework is model-agnostic and applicable to a wide range of FL-based systems.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Federated learning, Differential privacy, Adversarial system, Context (archaeology), Raw data

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange