論文の概要: Dopamine: Differentially Private Federated Learning on Medical Data

• arxiv url: http://arxiv.org/abs/2101.11693v2
• Date: Fri, 29 Jan 2021 16:40:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 19:31:42.135419
• Title: Dopamine: Differentially Private Federated Learning on Medical Data
• Title（参考訳）: ドパミン:医療データに関する異なるプライベートフェデレーション学習
• Authors: Mohammad Malekzadeh, Burak Hasircioglu, Nitish Mital, Kunal Katarya, Mehmet Emre Ozfatura, Deniz G\"und\"uz
• Abstract要約: Dopamineは、分散データセット上でディープニューラルネットワーク(DNN)をトレーニングするシステムである。 ドパミンは、集中型トレーニングに近いDP保証を提供し、パラレルDPのFLよりも優れた分類精度を実現します。
• 参考スコア（独自算出の注目度）: 2.772895608190934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While rich medical datasets are hosted in hospitals distributed across the world, concerns on patients' privacy is a barrier against using such data to train deep neural networks (DNNs) for medical diagnostics. We propose Dopamine, a system to train DNNs on distributed datasets, which employs federated learning (FL) with differentially-private stochastic gradient descent (DPSGD), and, in combination with secure aggregation, can establish a better trade-off between differential privacy (DP) guarantee and DNN's accuracy than other approaches. Results on a diabetic retinopathy~(DR) task show that Dopamine provides a DP guarantee close to the centralized training counterpart, while achieving a better classification accuracy than FL with parallel DP where DPSGD is applied without coordination. Code is available at https://github.com/ipc-lab/private-ml-for-health.
• Abstract（参考訳）: 世界中の病院で豊富な医療データセットがホストされているが、患者のプライバシーに対する懸念は、医療診断のために深層ニューラルネットワーク(DNN)をトレーニングするためにそのようなデータを使用することに対する障壁である。 分散データセット上でDNNを訓練するシステムであるDopamineを提案し,DPSGD(Federated Learning)とDPSGD(Federated stochastic gradient descend)を併用し,セキュアなアグリゲーションを組み合わせることで,差分プライバシ(DP)保証とDNNの精度とのトレードオフを他のアプローチよりも向上することができる。 糖尿病網膜症~(DR)タスクの結果は、ドパミンが集中トレーニングのそれに近いDP保証を提供し、DPSGDを調整せずに適用するパラレルDPのFLよりも優れた分類精度を達成することを示しています。 コードはhttps://github.com/ipc-lab/private-ml-for-healthで入手できる。

関連論文リスト

• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• Learning Personalized Brain Functional Connectivity of MDD Patients from Multiple Sites via Federated Bayesian Networks [9.873532358701803]
  我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。 合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-01-06T08:58:06Z)
• FD-GATDR: A Federated-Decentralized-Learning Graph Attention Network for Doctor Recommendation Using EHR [6.46446579065236]
  本稿では,患者と医師の潜在的なつながりを再構築するための時間埋め込み型医師推薦システムを提案する。 また,患者データ共有病院のプライバシー問題に対処するため,最小化最適化モデルに基づく分散分散型学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-11T18:53:10Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• FedSLD: Federated Learning with Shared Label Distribution for Medical Image Classification [6.0088002781256185]
  分類タスクのための共有ラベル分布(FedSLD)を用いたフェデレートラーニングを提案する。 FedSLDは、分布の知識が与えられた場合、最適化中に各データサンプルの局所的な目的への貢献を調整する。 その結果,FedSLDは従来のFL最適化アルゴリズムよりもコンバージェンス性能が高いことがわかった。
  論文  参考訳（メタデータ） (2021-10-15T21:38:25Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• NeuralDP Differentially private neural networks by design [61.675604648670095]
  ニューラルネットワーク内のいくつかの層の活性化を民営化する手法であるNeuralDPを提案する。 本研究では,DP-SGDと比較して,プライバシーとユーティリティのトレードオフを大幅に改善した2つのデータセットを実験的に検証した。
  論文  参考訳（メタデータ） (2021-07-30T12:40:19Z)
• Differentially private training of neural networks with Langevin dynamics forcalibrated predictive uncertainty [58.730520380312676]
  その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。 これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
  論文  参考訳（メタデータ） (2021-07-09T08:14:45Z)
• Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
  拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。 拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
  論文  参考訳（メタデータ） (2021-02-25T13:18:32Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)

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。