Fugu-MT 論文翻訳(概要): ML with HE: Privacy Preserving Machine Learning Inferences for Genome Studies

論文の概要: ML with HE: Privacy Preserving Machine Learning Inferences for Genome Studies

arxiv url: http://arxiv.org/abs/2110.11446v1
Date: Thu, 21 Oct 2021 19:28:02 GMT
ステータス: 処理完了
システム内更新日: 2021-10-26 03:47:07.061440
Title: ML with HE: Privacy Preserving Machine Learning Inferences for Genome Studies
Title（参考訳）: ml with he: プライバシ保護ゲノム研究のための機械学習推論
Authors: \c{S}. S. Ma\u{g}ara, C. Y{\i}ld{\i}r{\i}m, F. Yaman, B. Dileko\u{g}lu, F. R. Tuta\c{s}, E. \"Ozt\"urk, K. Kaya, \"O. Ta\c{s}tan, and E. Sava\c{s}
Abstract要約: 本研究は, ホモモルフィック暗号を用いたセキュアなマルチラベル腫瘍分類法を提案する。 2つの異なる機械学習アルゴリズム、SVMとXGBoostは、異なる腫瘍タイプの暗号化ゲノムデータを分類するために使用される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Preserving the privacy and security of big data in the context of cloud computing, while maintaining a certain level of efficiency of its processing remains to be a subject, open for improvement. One of the most popular applications epitomizing said concerns is found to be useful in genome analysis. This work proposes a secure multi-label tumor classification method using homomorphic encryption, whereby two different machine learning algorithms, SVM and XGBoost, are used to classify the encrypted genome data of different tumor types.
Abstract（参考訳）: クラウドコンピューティングの文脈でビッグデータのプライバシとセキュリティを維持する一方で、その処理の一定のレベルの効率を維持することは、改善のための課題である。この懸念をエピトマイジングする最も一般的な応用の1つは、ゲノム解析に有用である。そこで本研究では,SVMとXGBoostという2つの機械学習アルゴリズムを用いて,同型暗号を用いたセキュアなマルチラベル腫瘍分類手法を提案する。

関連論文リスト

Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。遺伝子発現は癌の早期発見において基本的な役割を担っている。本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文参考訳（メタデータ） (2023-01-28T15:03:03Z)
Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models [0.304585143845864]
本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
論文参考訳（メタデータ） (2022-11-09T14:52:36Z)
Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文参考訳（メタデータ） (2022-07-18T19:16:56Z)
Scalable privacy-preserving cancer type prediction with homomorphic encryption [10.414669681352423]
複数種類のがんに対して200万以上の遺伝情報からなる実世界のデータセットを用いたがん検出のプライバシー保護の課題について検討する。そこで我々は,まず体細胞突然変異のドメイン知識を活用して遺伝的変異を効率よくエンコードする,がん推定のためのプライバシ保護ソリューションを開発した。本研究では,高次元データを効率的に処理できる高速行列乗算アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-04-12T03:08:17Z)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
A compressive multi-kernel method for privacy-preserving machine learning [5.908471365011942]
この研究は、以前は非干渉的な2つのコンプレッシブプライバシとマルチカーネル方式に基づいている。提案手法は,MHEALTHとHARの2つの移動センシングデータセットを用いて評価する。
論文参考訳（メタデータ） (2021-06-20T10:27:13Z)
Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文参考訳（メタデータ） (2021-04-07T17:11:27Z)
TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic Encryption [0.0]
モノモルフィック暗号化を用いたプライバシー保護機械学習のためのオープンソースライブラリTenSEALを紹介します。我々は,半メガバイト以下の通信を用いて,暗号化畳み込みニューラルネットワークを1秒以内で評価可能であることを示す。
論文参考訳（メタデータ） (2021-04-07T14:32:38Z)
Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文参考訳（メタデータ） (2021-02-11T09:04:45Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Unsupervised Feature Selection for Tumor Profiles using Autoencoders and Kernel Methods [1.9078991171384014]
本研究は,腫瘍サンプルの有意義かつ低次元的表現を学習し,腫瘍サブタイプのクラスターを見つけることを目的とする。 The proposed method called Latent Kernel Feature Selection (LKFS) is an unsupervised approach for gene selection in tumor gene expression profiles。
論文参考訳（メタデータ） (2020-07-12T21:59:05Z)

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。