Fugu-MT 論文翻訳(概要): Adversarial Data Encryption

論文の概要: Adversarial Data Encryption

arxiv url: http://arxiv.org/abs/2002.03793v2
Date: Tue, 11 Feb 2020 05:52:45 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 07:50:42.882650
Title: Adversarial Data Encryption
Title（参考訳）: 逆データ暗号化
Authors: Yingdong Hu, Liang Zhang, Wei Shan, Xiaoxiao Qin, Jing Qi, Zhenzhou Wu, Yang Yuan
Abstract要約: そこで本研究では,データ暗号化の手法を提案し,人間の場合,暗号化されたデータはオリジナル版と同一に見えるようにした。われわれは、世界有数の神経学的センターを持つ北京ティアンタン病院と協業している。その結果, 暗号化画像は医師による診断に利用することができるが, 機械学習では利用できないことがわかった。
参考スコア（独自算出の注目度）: 9.756787751371517
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the big data era, many organizations face the dilemma of data sharing. Regular data sharing is often necessary for human-centered discussion and communication, especially in medical scenarios. However, unprotected data sharing may also lead to data leakage. Inspired by adversarial attack, we propose a method for data encryption, so that for human beings the encrypted data look identical to the original version, but for machine learning methods they are misleading. To show the effectiveness of our method, we collaborate with the Beijing Tiantan Hospital, which has a world leading neurological center. We invite $3$ doctors to manually inspect our encryption method based on real world medical images. The results show that the encrypted images can be used for diagnosis by the doctors, but not by machine learning methods.
Abstract（参考訳）: ビッグデータ時代の多くの組織は、データ共有のジレンマに直面しています。通常のデータ共有は、人間中心の議論やコミュニケーション、特に医療シナリオにおいて必要となる。しかし、保護されていないデータ共有はデータ漏洩につながる可能性がある。敵の攻撃に触発されて,人間にとって暗号化されたデータがオリジナル版と同一に見えるようにデータ暗号化を行う手法を提案するが,機械学習では誤解を招く。本手法の有効性を示すため,世界有数の神経系センターを有する北京天丹病院と共同研究を行った。私たちは3ドルの医師を招き、現実世界の医療画像に基づいて暗号化方法を手作業で検査します。その結果, 暗号化画像は医師による診断に利用できるが, 機械学習では利用できないことがわかった。

関連論文リスト

BAPLe: Backdoor Attacks on Medical Foundational Models using Prompt Learning [71.60858267608306]
医療基盤モデルはバックドア攻撃の影響を受けやすい。本研究は,素早い学習期間中に医療基盤モデルにバックドアを埋め込む方法を紹介する。我々の手法であるBAPLeは、ノイズトリガを調整するために最小限のデータサブセットしか必要とせず、テキストは下流のタスクにプロンプトする。
論文参考訳（メタデータ） (2024-08-14T10:18:42Z)
Privacy Preserving Data Imputation via Multi-party Computation for Medical Applications [1.7999333451993955]
本研究では,セキュアなマルチパーティ計算を用いた機密データに対するプライバシ保護計算手法について検討する。患者データの保護の重要性を考慮した医療・医療分野を特に対象とする。糖尿病データセットの実験では、プライバシ保護の計算手法の正しさが検証され、最大の誤差は10～3ドル(約3万3000円)だった。
論文参考訳（メタデータ） (2024-05-29T08:36:42Z)
Confidential and Protected Disease Classifier using Fully Homomorphic Encryption [0.09424565541639365]
多くのユーザーは、病気のために医療専門家に相談する前に、ChatGPTやBardのようなプラットフォームで潜在的な原因を探している。このようなプラットフォームの利便性にもかかわらず、個人医療データをオンラインで共有することは、悪意のあるプラットフォームの存在を含むリスクを引き起こす。安全かつプライベートな診断システムのためのFHEとDeep Learningを組み合わせた新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-05-05T02:10:00Z)
Application of Data Encryption in Chinese Named Entity Recognition [11.084360853065736]
本稿では,機密データの漏洩や不便な開示といった問題に対処する暗号学習フレームワークを提案する。名前付きエンティティ認識タスクにおいて、トレーニングデータを初めて暗号化するために、複数の暗号化アルゴリズムを導入する。実験結果から, 暗号化手法は良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2022-08-31T04:20:37Z)
Homomorphic Encryption and Federated Learning based Privacy-Preserving CNN Training: COVID-19 Detection Use-Case [0.41998444721319217]
本稿では、同相暗号を用いた医療データのためのプライバシー保護フェデレーション学習アルゴリズムを提案する。提案アルゴリズムはセキュアなマルチパーティ計算プロトコルを用いて,ディープラーニングモデルを敵から保護する。
論文参考訳（メタデータ） (2022-04-16T08:38:35Z)
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)
Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。 Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。エンコードされたデータから診断を予測する能力を維持している。
論文参考訳（メタデータ） (2022-01-28T20:32:04Z)
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)
NeuraCrypt: Hiding Private Health Data via Random Neural Networks for Public Training [64.54200987493573]
我々は,ランダムな深層ニューラルネットワークに基づくプライベート符号化方式であるNeuraCryptを提案する。 NeuraCryptは、データ所有者のみが知っているランダムに構築されたニューラルネットワークを使用して、生の患者データをエンコードする。我々は,NeuraCryptが,様々なX線タスクの非プライベートベースラインに対して,競合精度を達成することを示す。
論文参考訳（メタデータ） (2021-06-04T13:42:21Z)
Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
論文参考訳（メタデータ） (2021-04-07T02:04:12Z)
FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。患者のプライバシー上の懸念から、データそのものはまだ乏しい。我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文参考訳（メタデータ） (2021-02-10T01:56:58Z)

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。