Privacy-Preserving Federated Autoencoder for ECG Anomaly Detection on Edge Devices
한국어 초록
연속적인 심전도(ECG) 모니터링은 리듬 이상이 심혈관 사건으로 악화되기 전에 이를 드러낼 수 있습니다. 그러나 배포 가능한 시스템은 법적 수준의 프라이버시(GDPR, HIPAA), 제한된 엣지 하드웨어에서의 실시간 추론(inference), 그리고 병원 간 비독립 동일 분포(non-IID) 데이터에서의 탐지 품질이라는 세 가지 요구 사항을 동시에 충족해야 합니다. 우리는 PTB-XL 데이터셋에서의 비지도 12유도 심전도 이상 탐지를 위해 이 세 가지를 모두 해결하는 엔드투엔드 연합 시스템을 설계하고 평가했습니다. 이 시스템은 세 가지 오토인코더 계열(VanillaAE, ConvAE, VAE), 10개의 시뮬레이션 병원에 걸친 Flower 기반 연합 평균화(FedAvg), Rényi-DP 회계원(accountant)을 사용한 클라이언트 측 차등 프라이빗 SGD(DP-SGD), 그리고 Raspberry Pi 4 벤치마킹을 포함한 8비트 정수(INT8) 사후 학습 양자화(quantization)를 결합합니다. 우리의 주요 기여는 이러한 메커니즘이 결합되는 방식에 대한 경험적 특성화, 실용적인 차등 프라이버시(DP) 관련 권장 사항, 그리고 임상적으로 민감한 환경에 대한 기술적 및 보안적 통찰입니다. 연합 학습은 모든 아키텍처에서 중앙 집중식 기준선(baseline)과 일치하거나 이를 초과하며(ConvAE 연합 ROC 곡선 아래 면적, AUROC, $0.782$), $\varepsilon$ 스윕(sweep)은 $\varepsilon=4$를 권장되는 임상 운영 지점으로 식별했습니다. INT8 양자화(quantization)는 모델 크기를 대략 절반으로 줄이고, $0.12%$ 미만의 AUROC 손실(loss)로 Pi 4 지연 시간을 최대 $44%$ 단축합니다. 결정적으로, DP와 양자화(quantization) 페널티는 경험적으로 독립적이므로, 실무자는 강력한 프라이버시 보장을 위해 컴팩트한 엣지 풋프린트를 타협할 필요가 없습니다. 우리가 아는 한, 이것은 연합 학습, 형식적 $(\varepsilon,\delta)$-DP, 비지도 재구성 기반 탐지, 그리고 양자화된 AArch64 배포를 결합한 최초의 시스템입니다.
원문 초록
Continuous electrocardiography (ECG) monitoring could surface rhythm abnormalities before they escalate into cardiovascular events. However, a deployable system must satisfy three requirements simultaneously: legal-grade privacy (GDPR, HIPAA), real-time inference on constrained edge hardware, and detection quality under non-IID cross-hospital data. We design and evaluate an end-to-end federated system addressing all three for unsupervised 12-lead ECG anomaly detection on PTB-XL dataset, combining three autoencoder families (VanillaAE, ConvAE, VAE), Flower-based federated averaging (FedAvg) across ten simulated hospitals, client-side differentially private SGD (DP-SGD) with a Rényi-DP accountant, and 8-bit integer (INT8) post-training quantization with Raspberry Pi 4 benchmarking. Our main contributions are: an empirical characterization of how these mechanisms compose, practical DP-specific recommendations, and technical and security insights for a clinically sensitive setting. Federated learning matches or exceeds the centralized baseline across all architectures (ConvAE federated area under the ROC curve, AUROC, $0.782$), and an $\varepsilon$ sweep identifies $\varepsilon=4$ as the recommended clinical operating point. INT8 quantization roughly halves model size and cuts Pi 4 latency by up to $44%$ with $<0.12%$ AUROC loss. Crucially, DP and quantization penalties are empirically independent, so practitioners need not trade a strong privacy guarantee for a compact edge footprint. To our knowledge, this is the first system combining federated learning, formal $(\varepsilon,δ)$-DP, unsupervised reconstruction-based detection, and quantized AArch64 deployment.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.11556v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
이상 탐지를 위한 연합 경량 헤드 기반 시계열 트랜스포머 CAN 인코더
Temporal transformer CAN encoder with federated lightweight heads for anomaly detection
현대 차량은 CAN(Controller Area Network) 버스를 통해 지속적으로 정보를 교환하는 수많은 전자제어장치(ECU)에 의존합니다. 이러한 통신의 신속성, 구조, 반복성으로 인해 타이밍, 페이로드 값, 메시지 패턴의 미세한 변화조차도 비정상적인 활동을 나타낼 수 있습니다. 오류, 오작동, 의도적인 간섭 등 원인에 관계없이 이러한 이상 현상은 매우 미묘하여, 메시지를 개별적으로 처리하거나 수작업으로 생성된 규칙에 의존하는 기존 방식으로는 식별하기 어렵습니다. 이러한 한계점을 해결하기 위해, 본 논문에서는 이러한 불규칙성을 더 효과적으로 포착할 수 있도록 연합 경량 헤드를 갖춘 시계열 트랜스포머 CAN 인코더 기반의 차량 내 네트워크 이상 탐지용 프라이버시 보존 프레임워크를 제안합니다. 이 신호들이 시간에 따라 어떻게 변화하는지 학습하는 경량 트랜스포머 인코더를 통해 미묘한 시계열 및 문맥적 이상 현상의 탐지가 가능해지며, 연합학습(federated learning) 메커니즘을 통해 여러 차량이나 ECU가 원시 CAN 데이터를 교환하지 않고도 협력하여 공유 모델을 개선할 수 있습니다. 오픈소스 데이터셋을 대상으로 수행한 실험에 따르면, 이러한 연합학습과 시계열 시퀀스 모델링의 결합은 효율성과 프라이버시를 유지하면서도 견고한 이상 탐지 성능을 제공합니다.
Fed-ReMasker: 특징 수준 결측 하의 연합 표 형식 대치
Fed-ReMasker: Federated Tabular Imputation under Feature-Level Missingness
다기관 임상 연구와 생의학 연구 협력은 점점 더 여러 기관에 걸친 데이터를 활용해 단일 기관을 넘어 일반화되는 모델을 구축하려 한다. 이는 두 가지 뚜렷한 과제를 만든다. 데이터 보호 규제는 기관 간 원시 환자 데이터 공유를 제한할 수 있고, 기관마다 서로 다른 프로토콜 아래 부분적으로만 겹치는 특징 집합만 수집할 수 있다. 연합 학습(federated learning)은 원시 데이터를 중앙에 모으지 않고 협력적으로 모델 학습을 가능하게 한다. 그러나 기존 연합 대치(imputation) 방법은 일부 기관에서 전체 특징이 관측되지 않는 특징 수준 결측(feature-level missingness)을 거의 평가하지 않는다. 이 설정을 다루기 위해, 우리는 ReMasker 마스크드 오토인코더를 연합 학습에 맞게 확장한 Fed-ReMasker를 제안하여, 협력 기관들에서 학습한 지식을 활용해 로컬에서 한 번도 관측되지 않은 특징을 기관이 대치할 수 있게 한다. Fed-ReMasker는 선형·비선형 관계를 갖는 합성 데이터셋과 임상 데이터를 포함한 실제 표 형식 데이터셋에 걸친 벤치마크에서 평가한다. 이 벤치마크는 기관 수, 결측 비율, 클라이언트 이질성(heterogeneity)을 변화시킨다. Fed-ReMasker는 동질(homogeneous) 벤치마크에서 값 수준(value-level) 시나리오의 93.2%, 특징 수준 시나리오의 96.7%에서 최저 대치 오차를 달성한다. 단순 연합 평균(federated averaging)만으로도 클라이언트 이질성에 견고하며, 값 수준 36개 시나리오 전부에서 모든 기준선을 능가하고, 특징 수준 36개 시나리오 각각에서 최소 35개에서 각 기준선을 능가하며, 풀링(pooled) 데이터로 학습한 중앙집중식 모델 대비 평균 3.0% 이내에 머문다.
Dual‑detector Re‑optimization for Federated Weakly Supervised Video Anomaly Detection Via Adaptive Dynamic Recursive Mapping
프라이버시가 보호되고 분포에 강건한 연합 다중 클래스 분류
Private and Distributionally Robust Federated Multiclass Classification
자산 집약적 산업에서의 고장 진단은 지리적으로 분산된 클라이언트 현장에서 수집된 노이즈가 많고 민감한 데이터로 학습(training)된 다중 클래스 모델(model)을 필요로 합니다. 연합학습(Federated Learning)은 데이터를 중앙 집중화하지 않고도 협업 학습을 가능하게 하지만, 대부분의 접근 방식은 클라이언트 현장에 저장된 개별 레코드에 대한 정형화된 프라이버시 보장을 제공하지 않으며 레이블 노이즈 하에서 성능이 저하될 수 있습니다. 이러한 한계를 해결하기 위해, 본 연구에서는 각 클라이언트에 저장된 레코드에 대해 샘플 수준의 프라이버시를 제공하는 차분 프라이버시 기반의 분포 강건 연합 다중 클래스 분류(classification) 프레임워크를 개발합니다. 본 연구는 교대 방향 승수법(ADMM) 기반 알고리즘으로 해결되는 Crammer-Singer 손실(loss)을 적용한 연합 바서슈타인 분포 강건(Wasserstein distributionally robust) 다중 클래스 목적 함수를 기반으로 구축됩니다. 공개되는 클라이언트 업데이트를 보호하기 위해, 제안하는 기법은 중앙 서버에서 집계되기 전에 로컬 모델과 로컬 분포 강건 변수 모두의 근접 선형화된 클라이언트 업데이트에 보정된 가우시안 노이즈를 주입하며, 모멘트 어카운턴트(moments accountant)를 사용하여 누적 프라이버시 손실을 정량화합니다. 본 연구는 수렴(convergence) 결과 및 명시적인 프라이버시-유용성 트레이드오프와 함께 라운드당 샘플 수준의 $(ε,δ)$-차분 프라이버시 보장과 전체 학습 라운드에 걸친 종합적인 합성 프라이버시 보장을 제공합니다. 시뮬레이션된 산업 고장 데이터 및 UCI 벤치마크 데이터셋에 대한 실험을 통해, 제안하는 기법이 대부분의 테스트 설정에서 차분 프라이버시 연합 경험적 위험 최소화 및 확률적 경사하강법(gradient descent) 베이스라인보다 우수한 성능을 보이며, 강력한 프라이버시 유도 노이즈 하에서 가장 큰 향상을 나타냄을 보입니다.
임베디드 머신러닝에 대한 전력 부채널 멤버십 추론 공격
Power Side-Channel Membership Inference Attack on Embedded Machine Learning
멤버십 추론 공격(MIA)은 특정 샘플이 타깃 모델의 학습(training)에 사용되었는지를 판별함으로써 머신러닝(ML) 학습 데이터의 프라이버시를 위협합니다. 기존의 MIA는 예측 확률부터 예측 라벨에 이르는 모델 출력에 의존하지만, 이러한 가정은 출력이 제한적이거나 접근할 수 없는 온디바이스 ML 시스템에서는 제약이 될 수 있습니다. 그러나 모델 출력을 차단하더라도 이를 생성하는 데이터 의존적 연산 자체가 제거되는 것은 아니며, 물리적 부채널을 통해 관측 가능한 상태로 남아있을 수 있습니다. 본 논문에서는 예측 확률이나 심지어 예측 라벨조차 요구하지 않고 전력 파형(power trace)으로부터 직접 멤버십을 추론할 수 있는 임베디드 ML 모델 대상 전력 부채널 멤버십 추론 공격인 PSCMIA를 제시합니다. 다양한 데이터셋(MNIST, FMNIST, CIFAR10, CINIC10), 완전 연결(FC) 및 합성곱 신경망(CNN) 아키텍처, 그리고 두 가지 임베디드 플랫폼(STM32F3, XMEGA)에 걸쳐 PSCMIA를 평가합니다. PSCMIA는 FC 모델에서 최대 0.907의 ROC-AUC 값을 달성합니다. CNN 모델의 경우, PSCMIA와 확률 벡터 기반 섀도우 MIA 간의 ROC-AUC 격차는 0.006에서 0.116 수준입니다. FC 및 CNN 전반의 평가에서 PSCMIA는 16개 모델-데이터셋-하드웨어 구성 중 11개에서 라벨 전용 MIA보다 우수한 성능을 보이며, 기존 모델 출력을 사용할 수 없는 환경에서도 의도치 않은 전력 부채널 누설을 통한 물리적 실행이 멤버십 정보를 노출할 수 있음을 입증합니다.
알츠하이머병 탐지를 위한 온라인 필기에서의 세그먼트 수준 위험 발견
Segment-Level Risk Discovery in Online Handwriting for Alzheimer's Disease Detection
온라인 필기는 인지 계획과 미세 운동 제어를 모두 반영하므로 알츠하이머병(AD) 탐지를 위한 비침습적이며 저비용의 행동 바이오마커를 제공합니다. 기존의 필기 기반 AD 탐지 방법들은 대체로 전역 궤적 특징이나 전체 샘플 표현에 의존하는데, 이는 개인의 필체 스타일, 과제별 변동성, 획득 잡음에 크게 영향을 받을 수 있습니다. 본 논문에서는 온라인 필기로부터 해석 가능한 AD 탐지를 수행하기 위해 건강 대조군 규범 기반 Paper-Air 선택적 궤적 상태공간 위험 네트워크인 NormPaST-Risk를 제안합니다. 전체 궤적을 단일한 총체적 표현으로 다루는 대신, 제안 방법은 AD 필기 탐지를 국소적인 질환 관련 세그먼트 발견 문제로 재구성합니다. 구체적으로, 다중 스케일 시간 인코더가 서로 다른 시간 해상도에서 획 역학을 포착하는 한편, 선택적 Paper-Air 상태공간 인코더는 장기 필기 진행 과정을 모델링하고 지면 위(on-paper) 운동 실행과 공중(in-air) 계획 및 전환 행동을 구분합니다. 비정상적 편차를 명시적으로 특성화하기 위해 건강 규범 브랜치가 건강 대조군으로부터 정상적인 필기 역학을 학습하며, 과제 인식 다중 전문가 세그먼트 위험 모듈이 은닉 상태 변화와 규범 편차로 보정된 세그먼트 수준 AD 위험을 추정합니다. 또한 약지도 세그먼트 수준 목적 함수를 통해 수동 세그먼트 주석 없이도 고위험 세그먼트를 발견할 수 있도록 합니다. DARWIN 벤치마크에 대한 실험은 제안된 프레임워크가 기존 방법들에 비해 우수한 AD/HC 분류(classification) 성능을 달성함을 입증합니다. 아울러 발견된 고위험 세그먼트는 원래 필기 궤적으로 역투영될 수 있어, AD 관련 필기 변동과 연관된 해석 가능한 근거를 제공합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.