論文の概要: Privacy-Preserving Deep Learning Computation for Geo-Distributed Medical Big-Data Platforms

• arxiv url: http://arxiv.org/abs/2001.02932v1
• Date: Thu, 9 Jan 2020 11:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 04:20:27.941239
• Title: Privacy-Preserving Deep Learning Computation for Geo-Distributed Medical Big-Data Platforms
• Title（参考訳）: 地理的分散医療ビッグデータプラットフォームのためのプライバシー保護型ディープラーニング計算
• Authors: Joohyung Jeon, Junhui Kim, Joongheon Kim, Kwangsoo Kim, Aziz Mohaisen, and Jong-Kook Kim
• Abstract要約: 本稿では,プライバシ保護型医療データトレーニングのための分散ディープラーニングフレームワークを提案する。 医療プラットフォームにおける患者のデータ漏洩を避けるため、ディープラーニングフレームワーク内の隠されたレイヤを分離し、第1のレイヤをプラットフォームに保持し、他のレイヤを集中型サーバに保持する。
• 参考スコア（独自算出の注目度）: 12.64748421991378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a distributed deep learning framework for privacy-preserving medical data training. In order to avoid patients' data leakage in medical platforms, the hidden layers in the deep learning framework are separated and where the first layer is kept in platform and others layers are kept in a centralized server. Whereas keeping the original patients' data in local platforms maintain their privacy, utilizing the server for subsequent layers improves learning performance by using all data from each platform during training.
• Abstract（参考訳）: 本稿では,プライバシ保存医療データトレーニングのための分散ディープラーニングフレームワークを提案する。 医療プラットフォームにおける患者のデータ漏洩を避けるため、ディープラーニングフレームワーク内の隠されたレイヤを分離し、第1のレイヤをプラットフォームに保持し、他のレイヤを集中型サーバに保持する。 元の患者のデータをローカルプラットフォームに保持する一方で、サーバを次のレイヤに利用することで、トレーニング中に各プラットフォームからすべてのデータを使用することで、学習パフォーマンスを向上させる。

関連論文リスト

• Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
  我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。 提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
  論文  参考訳（メタデータ） (2024-05-09T08:15:31Z)
• Federated Learning with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
  Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。 本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。 我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
  論文  参考訳（メタデータ） (2022-10-16T06:44:46Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Feasibility Study of Multi-Site Split Learning for Privacy-Preserving Medical Systems under Data Imbalance Constraints in COVID-19, X-Ray, and Cholesterol Dataset [11.021444485027143]
  本稿では,「複数サイト分割学習」という用語を用いた新しい分割学習アルゴリズムを提案する。 複数の病院間で医療データの安全な転送を可能にし、患者記録に含まれる個人データを公開することを恐れない。
  論文  参考訳（メタデータ） (2022-02-21T03:51:27Z)
• Personalization Improves Privacy-Accuracy Tradeoffs in Federated Optimization [57.98426940386627]
  局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。 合成および実世界のデータセットに関する実験により理論的結果について述べる。
  論文  参考訳（メタデータ） (2022-02-10T20:44:44Z)
• Spatio-Temporal Split Learning for Privacy-Preserving Medical Platforms: Case Studies with COVID-19 CT, X-Ray, and Cholesterol Data [10.169998593773915]
  患者記録は、通常、機関間で共有されていない最も機密性の高い個人情報の1つである。 本稿では、プライバシに敏感な組織間のコラボレーションを可能にするための転換点である分散ディープニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T04:47:02Z)
• Towards Scheduling Federated Deep Learning using Meta-Gradients for Inter-Hospital Learning [15.005982599243318]
  複数の病院データセンターから抽出した患者データを利用して、患者のプライバシを犠牲にすることなく機械学習モデルをトレーニングする。 本研究では,学生と教師の連携によるスケジューリングアルゴリズムを開発した。 メタグラディエントを用いてトレーニングされたスケジューラは、トレーニングを効果的に編成し、その結果、多様なデータセット上で機械学習モデルをトレーニングできることが示される。
  論文  参考訳（メタデータ） (2021-07-04T18:45:58Z)
• Personalized Federated Deep Learning for Pain Estimation From Face Images [31.890455005028706]
  顔画像から痛みを推定するためのPersonalized Deep Learning (PFDL) アプローチを提案する。 PFDLは、顔画像を共有することなく、異なるクライアント間で軽量CNNアーキテクチャを使用して実装されたディープモデルの協調トレーニングを実行する。 PFDL が標準集中型および FL アルゴリズムよりも比較可能または良く動作し、データプライバシーをさらに向上させることを示す。
  論文  参考訳（メタデータ） (2021-01-12T23:21:25Z)
• Decentralised Learning from Independent Multi-Domain Labels for Person Re-Identification [69.29602103582782]
  ディープラーニングは多くのコンピュータビジョンタスクで成功している。 しかし、プライバシー問題に対する意識の高まりは、特に人物の再識別(Re-ID)において、ディープラーニングに新たな課題をもたらす。 我々は,複数のプライバシ保護されたローカルモデル(ローカルクライアント)を同時に学習することにより,汎用的なグローバルモデル(中央サーバ)を構築するための,フェデレート・パーソナライゼーション(FedReID)と呼ばれる新しいパラダイムを提案する。 このクライアントサーバ共同学習プロセスは、プライバシコントロールの下で反復的に実行されるため、分散データを共有したり、収集したりすることなく、分散学習を実現することができる。
  論文  参考訳（メタデータ） (2020-06-07T13:32:33Z)
• TIPRDC: Task-Independent Privacy-Respecting Data Crowdsourcing Framework for Deep Learning with Anonymized Intermediate Representations [49.20701800683092]
  本稿では,匿名化中間表現を用いたタスク非依存型プライバシ参照データクラウドソーシングフレームワークTIPRDCを提案する。 このフレームワークの目的は、中間表現からプライバシー情報を隠蔽できる機能抽出器を学習することであり、データコレクターの生データに埋め込まれた元の情報を最大限に保持し、未知の学習タスクを達成することである。
  論文  参考訳（メタデータ） (2020-05-23T06:21:26Z)
• FedNER: Privacy-preserving Medical Named Entity Recognition with Federated Learning [87.14713333892112]
  本稿では,フェデレート学習に基づくプライバシ保護医療NER手法を提案する。 各プラットフォームで医療用NERモデルを共有モジュールとプライベートモジュールに分解する。 プライベートモジュールは各プラットフォームのローカルデータの特徴をキャプチャするために使用され、ローカルラベル付きデータを使用して更新される。
  論文  参考訳（メタデータ） (2020-03-20T14:17:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。