論文の概要: Vision Through the Veil: Differential Privacy in Federated Learning for
Medical Image Classification
- arxiv url: http://arxiv.org/abs/2306.17794v1
- Date: Fri, 30 Jun 2023 16:48:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 11:48:15.552161
- Title: Vision Through the Veil: Differential Privacy in Federated Learning for
Medical Image Classification
- Title(参考訳): 医用画像分類のためのフェデレーション学習における視覚的プライバシー
- Authors: Kishore Babu Nampalle, Pradeep Singh, Uppala Vivek Narayan,
Balasubramanian Raman
- Abstract要約: 医療におけるディープラーニングアプリケーションの普及は、さまざまな機関にデータ収集を求める。
プライバシー保護メカニズムは、データが自然に敏感である医療画像解析において最重要である。
本研究は,プライバシ保護技術である差分プライバシを,医用画像分類のための統合学習フレームワークに統合することの必要性に対処する。
- 参考スコア(独自算出の注目度): 15.382184404673389
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of deep learning applications in healthcare calls for data
aggregation across various institutions, a practice often associated with
significant privacy concerns. This concern intensifies in medical image
analysis, where privacy-preserving mechanisms are paramount due to the data
being sensitive in nature. Federated learning, which enables cooperative model
training without direct data exchange, presents a promising solution.
Nevertheless, the inherent vulnerabilities of federated learning necessitate
further privacy safeguards. This study addresses this need by integrating
differential privacy, a leading privacy-preserving technique, into a federated
learning framework for medical image classification. We introduce a novel
differentially private federated learning model and meticulously examine its
impacts on privacy preservation and model performance. Our research confirms
the existence of a trade-off between model accuracy and privacy settings.
However, we demonstrate that strategic calibration of the privacy budget in
differential privacy can uphold robust image classification performance while
providing substantial privacy protection.
- Abstract(参考訳): 医療におけるディープラーニングアプリケーションの増加は、さまざまな機関にまたがってデータ集約を要求している。
この懸念は、データが自然に敏感であるためにプライバシ保護機構が最優先される医療画像解析において強まる。
直接データ交換なしで協調的なモデルトレーニングを可能にするフェデレーション学習は、有望なソリューションを提供する。
それでも、連合学習の固有の脆弱性は、さらなるプライバシー保護を必要とする。
本研究は,プライバシ保護技術である差分プライバシーを,医用画像分類のための統合学習フレームワークに統合することで,このニーズに対処する。
本稿では,差分プライベートなフェデレーション学習モデルを導入し,プライバシ保護とモデル性能に与える影響を慎重に検討する。
本研究は,モデル精度とプライバシー設定のトレードオフの存在を確認した。
しかし、差分プライバシーにおけるプライバシー予算の戦略的校正は、実質的なプライバシー保護を提供しながら、堅牢な画像分類性能を維持できることを示す。
関連論文リスト
- A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-09-27T14:38:16Z) - Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。
具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。
本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
論文 参考訳(メタデータ) (2023-09-11T09:26:07Z) - Private, fair and accurate: Training large-scale, privacy-preserving AI
models in medical imaging [49.588766426499184]
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) - On the Privacy Effect of Data Enhancement via the Lens of Memorization [20.27379983653372]
我々は,記憶化という新たな視点からプライバシを調査することを提案する。
機械学習モデルの3つの重要な特性間の関係について、非自明な知見を公表する。
論文 参考訳(メタデータ) (2022-08-17T13:02:17Z) - Privacy Enhancement for Cloud-Based Few-Shot Learning [4.1579007112499315]
クラウドなど,信頼できない環境における数ショット学習のプライバシ向上について検討する。
本稿では,共同損失によるプライバシー保護表現を学習する手法を提案する。
実証的な結果は、プライバシが強化された数発の学習において、プライバシとパフォーマンスのトレードオフをどのように交渉できるかを示している。
論文 参考訳(メタデータ) (2022-05-10T18:48:13Z) - 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) - On Privacy and Confidentiality of Communications in Organizational
Graphs [3.5270468102327004]
この研究は、企業コンテキストにおける機密性とプライバシの区別方法を示している。
それは、機密性を維持するためのアプローチを定式化し、差分プライバシーの原則を活用することを目的としている。
論文 参考訳(メタデータ) (2021-05-27T19:45:56Z) - Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。
本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文 参考訳(メタデータ) (2020-12-14T18:59:24Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳(メタデータ) (2020-12-10T13:56:00Z) - Chasing Your Long Tails: Differentially Private Prediction in Health
Care Settings [34.26542589537452]
差分プライベート(DP)学習の方法は、プライバシ保証付きモデルを学習するための汎用的なアプローチを提供する。
DP学習の現代的な手法は、情報に過度にユニークなと判断される情報を検閲するメカニズムを通じて、プライバシーを確保する。
我々はDP学習に最先端の手法を用いて,臨床予測タスクにおけるプライバシ保護モデルを訓練する。
論文 参考訳(メタデータ) (2020-10-13T19:56:37Z) - Anonymizing Data for Privacy-Preserving Federated Learning [3.3673553810697827]
我々は,フェデレートラーニングの文脈において,プライバシを提供するための最初の構文的アプローチを提案する。
当社のアプローチは,プライバシの保護レベルをサポートしながら,実用性やモデルの性能を最大化することを目的としている。
医療領域における2つの重要な課題について,100万人の患者の実世界電子健康データを用いて包括的実証評価を行った。
論文 参考訳(メタデータ) (2020-02-21T02:30:16Z)
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。