Fugu-MT 論文翻訳(概要): SHIELD: Secure Haplotype Imputation Employing Local Differential Privacy

論文の概要: SHIELD: Secure Haplotype Imputation Employing Local Differential Privacy

arxiv url: http://arxiv.org/abs/2309.07305v1
Date: Wed, 13 Sep 2023 20:51:11 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 04:50:57.978650
Title: SHIELD: Secure Haplotype Imputation Employing Local Differential Privacy
Title（参考訳）: ShiELD: ローカルな差別的プライバシを活用したセキュアなハプロタイプインプット
Authors: Marc Harary,
Abstract要約: 局所差分プライバシ(SHIELD)を利用したセキュアハプロタイプインパテーションについて紹介する。 ShiELDは、配列ベースのジェノタイピングプラットフォームで直接測定されていないマーカーでターゲットサンプルの遺伝子型を正確に推定するプログラムである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Secure Haplotype Imputation Employing Local Differential privacy (SHIELD), a program for accurately estimating the genotype of target samples at markers that are not directly assayed by array-based genotyping platforms while preserving the privacy of donors to public reference panels. At the core of SHIELD is the Li-Stephens model of genetic recombination, according to which genomic information is comprised of mosaics of ancestral haplotype fragments that coalesce via a Markov random field. We use the standard forward-backward algorithm for inferring the ancestral haplotypes of target genomes, and hence the most likely genotype at unobserved sites, using a reference panel of template haplotypes whose privacy is guaranteed by the randomized response technique from differential privacy.
Abstract（参考訳）: 本プログラムでは,配列ベースのジェノタイピングプラットフォームでは直接測定されないマーカーを用いて,対象サンプルの遺伝子型を正確に推定し,公開参照パネルへのドナーのプライバシを保存する。 ShiELDの中核は遺伝子組換えのLi-Stephensモデルであり、ゲノム情報はマルコフランダムフィールドを介して結合する祖先のハプロタイプ断片のモザイクで構成されている。そこで本研究では, ランダム化応答技術によりプライバシが保証されるテンプレートハプロタイプの参照パネルを用いて, 対象ゲノムの祖先ハプロタイプを推定するために, 標準的なフォワード・バックワードアルゴリズムを用いて, 未観測部位における最も可能性の高いジェノタイプを推定する。

関連論文リスト

FastImpute: A Baseline for Open-source, Reference-Free Genotype Imputation Methods -- A Case Study in PRS313 [0.587470288031402]
Genotype imputationは、参照ハプロタイプ情報を用いてSNPの欠落を予測することで遺伝データを増強する。本稿では,任意の遺伝子型チップとゲノム領域にまたがって一般化可能なクライアント側インプットモデルをサポートする,新しい遺伝子型インプットパイプラインのベースラインを紹介する。本研究では,23andMeなどの消費者遺伝子パネルからのSNPを用いて計算すると,単純な線形回帰がPSS313スコアの精度を大幅に向上することを示した。
論文参考訳（メタデータ） (2024-07-12T15:28:13Z)
LLM-based Privacy Data Augmentation Guided by Knowledge Distillation with a Distribution Tutor for Medical Text Classification [67.92145284679623]
ノイズの多いプライベートディストリビューションをモデル化し,プライバシコストの低いサンプル生成を制御するDPベースのチュータを提案する。理論的には、モデルのプライバシ保護を分析し、モデルを実証的に検証する。
論文参考訳（メタデータ） (2024-02-26T11:52:55Z)
StyleGenes: Discrete and Efficient Latent Distributions for GANs [149.0290830305808]
GAN(Generative Adversarial Networks)のための離散潜在分布を提案する。連続的な先行点から潜在ベクトルを描く代わりに、学習可能な潜在点の有限集合からサンプリングする。私たちは生物の情報のエンコーディングからインスピレーションを得ます。
論文参考訳（メタデータ） (2023-04-30T23:28:46Z)
A Prototype-Oriented Clustering for Domain Shift with Source Privacy [66.67700676888629]
本稿では,PCD(Prototype-oriented Clustering with Distillation)を導入し,既存の手法の性能と適用性を向上させる。 PCDはまず、プロトタイプとデータの分布を整列することで、ソースクラスタリングモデルを構築する。その後、ソースモデルが提供するクラスタラベルを通じてターゲットモデルに知識を蒸留し、同時にターゲットデータをクラスタ化する。
論文参考訳（メタデータ） (2023-02-08T00:15:35Z)
Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文参考訳（メタデータ） (2022-12-16T09:01:57Z)
Uncertainty-Autoencoder-Based Privacy and Utility Preserving Data Type Conscious Transformation [3.7315964084413173]
プライバシ・ユーティリティのトレードオフ問題に対処する逆学習フレームワークを2つの条件で提案する。データタイプの無知な条件下では、プライバシメカニズムは、正確に1つのクラスを表す、カテゴリ機能の1ホットエンコーディングを提供する。データ型認識条件下では、分類変数は各クラスごとに1つのスコアの集合で表される。
論文参考訳（メタデータ） (2022-05-04T08:40:15Z)
Differentially Private Generative Adversarial Networks with Model Inversion [6.651002556438805]
GAN(Generative Adversarial Network)のトレーニングにおいて機密データを保護するためには,差分プライベート(DP)勾配降下法を用いる。本稿では,パブリックジェネレータを介して,まずプライベートデータを潜在空間にマッピングするDPMI法を提案する。 Inception Score, Fr'echet Inception Distance, and accuracy under the same privacy guarantee。
論文参考訳（メタデータ） (2022-01-10T02:26:26Z)
Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
論文参考訳（メタデータ） (2021-04-19T09:39:30Z)
Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文参考訳（メタデータ） (2020-08-12T06:23:49Z)
Mechanisms for Hiding Sensitive Genotypes with Information-Theoretic Privacy [23.855184569355487]
完全情報理論のプライバシを持つ消去ベースのプライバシ機構を導入する。本機構は,シーケンス位置の処理順序に対する局所最適グリードアルゴリズムとして解釈できる。私たちの仕事は、ゲノムデータ共有におけるプライバシーの厳格な制御に向けた一歩です。
論文参考訳（メタデータ） (2020-07-10T02:11:53Z)
Distinguishing Cell Phenotype Using Cell Epigenotype [0.0]
顕微鏡観察とマクロな振る舞いの関係は、生体物理学システムにおける根本的なオープンな問題である。既存の手法とは対照的に,ヒトの組織多様性と利用可能なデータの制限を考慮に入れた場合でも,マクロ分子データから細胞型を予測する統一的なアプローチを開発する。
論文参考訳（メタデータ） (2020-03-20T18:00:07Z)

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。