Fugu-MT 論文翻訳(概要): Privacy-Utility Trade-offs in Neural Networks for Medical Population Graphs: Insights from Differential Privacy and Graph Structure

論文の概要: Privacy-Utility Trade-offs in Neural Networks for Medical Population Graphs: Insights from Differential Privacy and Graph Structure

arxiv url: http://arxiv.org/abs/2307.06760v1
Date: Thu, 13 Jul 2023 13:59:54 GMT
ステータス: 処理完了
システム内更新日: 2023-07-14 14:27:49.444541
Title: Privacy-Utility Trade-offs in Neural Networks for Medical Population Graphs: Insights from Differential Privacy and Graph Structure
Title（参考訳）: 医療人口グラフのためのニューラルネットワークにおけるプライバシ-ユーティリティトレードオフ:差分プライバシーとグラフ構造からの考察
Authors: Tamara T. Mueller, Maulik Chevli, Ameya Daigavane, Daniel Rueckert, Georgios Kaissis
Abstract要約: 医療領域からの人口グラフの差分グラフニューラルネットワークについて検討する。本研究は, このDP応用分野の可能性と課題を明らかにするものである。
参考スコア（独自算出の注目度）: 6.103056596092126
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We initiate an empirical investigation into differentially private graph neural networks on population graphs from the medical domain by examining privacy-utility trade-offs at different privacy levels on both real-world and synthetic datasets and performing auditing through membership inference attacks. Our findings highlight the potential and the challenges of this specific DP application area. Moreover, we find evidence that the underlying graph structure constitutes a potential factor for larger performance gaps by showing a correlation between the degree of graph homophily and the accuracy of the trained model.
Abstract（参考訳）: 我々は,実世界および合成データセットの異なるプライバシレベルでのプライバシ利用のトレードオフを調査し,メンバシップ推論攻撃による監査を行うことで,医療領域からの人口グラフ上の差分プライベートグラフニューラルネットワークに関する実証調査を開始する。本研究は, このDP応用分野の可能性と課題を明らかにするものである。さらに,基礎となるグラフ構造が,グラフの次数とトレーニングされたモデルの精度との相関を示すことによって,より大きな性能ギャップのポテンシャル因子となることを示す。

関連論文リスト

Evaluating the Predictive Features of Person-Centric Knowledge Graph Embeddings: Unfolding Ablation Studies [0.757843972001219]
そこで本研究では,MIMIC-IIIデータセットから得られた構造化情報と非構造化情報を用いて学習したGNNモデルの結果を体系的に検証する手法を提案する。本研究は,PKGにおける読み出し予測の課題に対する予測的特徴の同定におけるこのアプローチの堅牢性を示す。
論文参考訳（メタデータ） (2024-08-27T09:48:25Z)
Exploring General Intelligence via Gated Graph Transformer in Functional Connectivity Studies [39.82681427764513]
Gated Graph Transformer (GGT) フレームワークは,機能的接続性(FC)に基づく認知的メトリクスの予測を目的としているフィラデルフィア神経発達コホート(PNC)に関する実証的検証は,我々のモデルにおいて優れた予測能力を示している。
論文参考訳（メタデータ） (2024-01-18T19:28:26Z)
A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
論文参考訳（メタデータ） (2023-09-26T10:30:45Z)
Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2023-08-16T13:32:43Z)
Knowledge Propagation over Conditional Independence Graphs [2.2721854258621064]
条件独立(CI)グラフは特徴間の依存をキャプチャする。本稿では,CIグラフ上で知識伝達を行うアルゴリズムを提案する。実験により,我々の技術は一般公開されたColaおよびPubMedデータセットの最先端性の向上を実証した。
論文参考訳（メタデータ） (2023-08-10T21:06:18Z)
Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
論文参考訳（メタデータ） (2022-10-21T04:38:25Z)
Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文参考訳（メタデータ） (2022-04-01T10:01:37Z)
SoK: Differential Privacy on Graph-Structured Data [6.177995200238526]
グラフ構造化データのコンテキストにおける差分プライバシー(DP)の適用について検討する。事前の体系化作業の欠如は、プライバシーの観点からグラフベースの学習を研究する動機となったのです。
論文参考訳（メタデータ） (2022-03-17T09:56:32Z)
Differentially Private Graph Classification with GNNs [5.830410490229634]
グラフネットワーク(GNN)は多くの機械学習アプリケーションの最先端モデルとして確立されている。グラフにおける機械学習の重要な応用の1つであるグラフレベル分類の差分プライバシーを導入する。各種の合成および公開データセットについて結果を示し、異なるGNNアーキテクチャの影響を評価する。
論文参考訳（メタデータ） (2022-02-05T15:16:40Z)
Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文参考訳（メタデータ） (2022-02-05T02:31:01Z)
Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。