論文の概要: Spatio-Temporal Split Learning for Privacy-Preserving Medical Platforms: Case Studies with COVID-19 CT, X-Ray, and Cholesterol Data

• arxiv url: http://arxiv.org/abs/2108.10147v1
• Date: Fri, 20 Aug 2021 04:47:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 15:56:45.358933
• Title: Spatio-Temporal Split Learning for Privacy-Preserving Medical Platforms: Case Studies with COVID-19 CT, X-Ray, and Cholesterol Data
• Title（参考訳）: プライバシ保護医療プラットフォームのための時空間スプリット学習 : COVID-19 CT, X線, コレステロールデータを用いたケーススタディ
• Authors: Yoo Jeong Ha, Minjae Yoo, Gusang Lee, Soyi Jung, Sae Won Choi, Joongheon Kim, and Seehwan Yoo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.169998593773915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning requires a large volume of sample data, especially when it is used in high-accuracy medical applications. However, patient records are one of the most sensitive private information that is not usually shared among institutes. This paper presents spatio-temporal split learning, a distributed deep neural network framework, which is a turning point in allowing collaboration among privacy-sensitive organizations. Our spatio-temporal split learning presents how distributed machine learning can be efficiently conducted with minimal privacy concerns. The proposed split learning consists of a number of clients and a centralized server. Each client has only has one hidden layer, which acts as the privacy-preserving layer, and the centralized server comprises the other hidden layers and the output layer. Since the centralized server does not need to access the training data and trains the deep neural network with parameters received from the privacy-preserving layer, privacy of original data is guaranteed. We have coined the term, spatio-temporal split learning, as multiple clients are spatially distributed to cover diverse datasets from different participants, and we can temporally split the learning process, detaching the privacy preserving layer from the rest of the learning process to minimize privacy breaches. This paper shows how we can analyze the medical data whilst ensuring privacy using our proposed multi-site spatio-temporal split learning algorithm on Coronavirus Disease-19 (COVID-19) chest Computed Tomography (CT) scans, MUsculoskeletal RAdiographs (MURA) X-ray images, and cholesterol levels.
• Abstract（参考訳）: 機械学習は、特に高精度な医療アプリケーションで使用される場合、大量のサンプルデータを必要とする。 しかし、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である時空間分割学習を提案する。 我々の時空間分割学習は、分散機械学習を最小限のプライバシーで効率的に行う方法を示している。 提案する分割学習は,多数のクライアントと集中型サーバで構成される。 各クライアントは、プライバシ保護層として機能する1つの隠蔽層しか持たず、集中型サーバは、他の隠蔽層と出力層から構成される。 集中型サーバはトレーニングデータにアクセスせず、プライバシ保存層から受信したパラメータでディープニューラルネットワークをトレーニングするため、元のデータのプライバシが保証される。 複数のクライアントが空間的に分散して、さまざまな参加者のさまざまなデータセットをカバーすることにより、私たちは学習プロセスを一時的に分割し、プライバシー保護層を他の学習プロセスから切り離し、プライバシー侵害を最小限に抑えることができるのです。 本稿では,コロナウイルス感染症 (COVID-19) 胸部CT, MU (MU) RA-ography (MU) X線画像, コレステロール値の多地点時分割学習アルゴリズムを用いて, 医療データのプライバシー確保を図りながら, 医療データを解析する方法を示す。

関連論文リスト

• CURE: Privacy-Preserving Split Learning Done Right [1.388112207221632]
  このシナリオには、同型暗号化(HE)ベースのソリューションが存在するが、しばしば禁止的な計算負担を課す。 CUREは、モデルとデータのサーバ側のみを暗号化する新しいシステムである。 CUREは、実行時の16倍の効率で、平文SLと同等の精度を実現できることを示す。
  論文  参考訳（メタデータ） (2024-07-12T04:10:19Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• 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)
• 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)
• DQRE-SCnet: A novel hybrid approach for selecting users in Federated Learning with Deep-Q-Reinforcement Learning based on Spectral Clustering [1.174402845822043]
  実世界の機密データに基づく機械学習モデルは、医療スクリーニングから病気の発生、農業、産業、防衛科学など幅広い分野で進歩している。 多くのアプリケーションにおいて、学習参加者のコミュニケーションラウンドは、独自のプライベートデータセットを収集し、実際のデータに対して詳細な機械学習モデルを教え、これらのモデルを使用することの利点を共有することの恩恵を受ける。 既存のプライバシとセキュリティ上の懸念から、ほとんどの人はトレーニング用の機密データ共有を回避している。各ユーザがローカルデータを中央サーバにデモしない限り、フェデレートラーニングは、さまざまなパーティが共用データ上で機械学習アルゴリズムをトレーニングすることを可能にする。
  論文  参考訳（メタデータ） (2021-11-07T15:14:29Z)
• 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)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)
• 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)
• Privacy-Preserving Deep Learning Computation for Geo-Distributed Medical Big-Data Platforms [12.64748421991378]
  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。
  論文  参考訳（メタデータ） (2020-01-09T11:46:29Z)

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。