基于差分隐私的心脏病预测增强框架

本研究关注如何在快速数字化的医疗体系中保护患者隐私。通过结合差分隐私和联邦学习的方法，提出了一种隐私保护模型，在不侵犯个人隐私的情况下，实现心脏病数据的有效分析。研究结果表明，所提模型在保证数据隐私的同时，测试准确率达到85%，展示了该方法在医疗健康领域的潜在应用价值。