論文の概要: FedDPGAN: Federated Differentially Private Generative Adversarial Networks Framework for the Detection of COVID-19 Pneumonia

• arxiv url: http://arxiv.org/abs/2104.12581v1
• Date: Mon, 26 Apr 2021 13:52:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 20:23:40.627784
• Title: FedDPGAN: Federated Differentially Private Generative Adversarial Networks Framework for the Detection of COVID-19 Pneumonia
• Title（参考訳）: feddpgan:federated differentially private generative adversarial networks framework for the detection of covid-19 pneumonia
• Authors: Longling Zhang, Bochen Shen, Ahmed Barnawi, Shan Xi, Neeraj Kumar, Yi Wu
• Abstract要約: 新型コロナウイルス肺炎の検出を目的としたFederatedDifferentially Private Generative Adversarial Network(FedDPGAN)を提案する。 提案モデルの評価は、3種類の胸部X線(CXR)画像データセット(COVID-19, 正常, 正常肺炎)に基づく。
• 参考スコア（独自算出の注目度）: 11.835113185061147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing deep learning technologies generally learn the features of chest X-ray data generated by Generative Adversarial Networks (GAN) to diagnose COVID-19 pneumonia. However, the above methods have a critical challenge: data privacy. GAN will leak the semantic information of the training data which can be used to reconstruct the training samples by attackers, thereby this method will leak the privacy of the patient. Furthermore, for this reason that is the limitation of the training data sample, different hospitals jointly train the model through data sharing, which will also cause the privacy leakage. To solve this problem, we adopt the Federated Learning (FL) frame-work which is a new technique being used to protect the data privacy. Under the FL framework and Differentially Private thinking, we propose a FederatedDifferentially Private Generative Adversarial Network (FedDPGAN) to detectCOVID-19 pneumonia for sustainable smart cities. Specifically, we use DP-GAN to privately generate diverse patient data in which differential privacy technology is introduced to make sure the privacy protection of the semantic information of training dataset. Furthermore, we leverage FL to allow hospitals to collaboratively train COVID-19 models without sharing the original data. Under Independent and Identically Distributed (IID) and non-IID settings, The evaluation of the proposed model is on three types of chest X-ray (CXR) images dataset (COVID-19, normal, and normal pneumonia). A large number of the truthful reports make the verification of our model can effectively diagnose COVID-19 without compromising privacy.
• Abstract（参考訳）: 既存のディープラーニング技術は一般的に、ジェネレーティブ・アドバイサル・ネットワーク(GAN)によって生成された胸部X線データの特徴を学習し、新型コロナウイルスの肺炎を診断する。 しかし、上記の手法には、データプライバシという重要な課題がある。 ganは、攻撃者がトレーニングサンプルを再構築するために使用できるトレーニングデータのセマンティクス情報をリークするので、この方法は患者のプライバシーを漏らすことになる。 さらに、トレーニングデータサンプルの制限であるこの理由から、異なる病院がデータ共有を通じてモデルを共同でトレーニングすることで、プライバシの漏洩も引き起こす。 この問題を解決するために,我々は,データプライバシを保護するために使用される新しい手法であるフェデレーション学習(fl)フレームワークを採用する。 flの枠組みと異なる個人的思考の下で,持続的スマートシティーのためのcovid-19肺炎検出のためのfederateddifferentially private generative adversarial network (feddpgan)を提案する。 具体的には、DP-GANを用いて、差分プライバシ技術を導入した多様な患者データをプライベートに生成し、トレーニングデータセットのセマンティック情報のプライバシー保護を確実にする。 さらに、FLを活用して、病院がオリジナルのデータを共有することなく、共同で新型コロナウイルスモデルを訓練できるようにする。 Independent and Identically Distributed (IID) and non-IID settings, the proposed model are on three type of chest X-ray (CXR) image dataset (COVID-19, normal, and normal pneumonia)。 多くの真理ある報告は、私たちのモデルの検証によって、プライバシを損なうことなく、covid-19を効果的に診断することができるとしています。

関連論文リスト

• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• 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)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• DPCOVID: Privacy-Preserving Federated Covid-19 Detection [2.1930130356902207]
  コロナウイルス(COVID-19)は、世界経済と健康に対する有害な影響により、前例のない世界的な危機を経験している。 胸部X線画像に基づく新型コロナウイルス検出のためのプライバシ保護フェデレーション学習システムを提案する。
  論文  参考訳（メタデータ） (2021-10-26T15:09:00Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• 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)
• Blockchain-Federated-Learning and Deep Learning Models for COVID-19 detection using CT Imaging [8.280858576611587]
  新型コロナウイルスの患者を診断する主な問題は、検査キットの不足と信頼性である。 第2の現実の問題は、世界中の病院間でデータを共有することだ。 第3に,ブロックチェーン技術を用いてグローバルモデルを協調的にトレーニングする手法を設計する。
  論文  参考訳（メタデータ） (2020-07-10T11:23:14Z)
• Experiments of Federated Learning for COVID-19 Chest X-ray Images [14.347569140079342]
  コンピュータビジョンとディープラーニング技術は、Chest X-ray Imagesで新型コロナウイルスの感染を判定するのに役立つ。 患者のプライバシの保護と尊重のため、病院の特定の医療関連データは、許可なく漏洩や共有を許さなかった。 我々は、新型コロナウイルスデータトレーニングにフェデレートラーニング(フェデレートラーニング)を用いることを提案し、その有効性を検証するために実験を展開した。
  論文  参考訳（メタデータ） (2020-07-05T08:25:37Z)

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。