論文の概要: DNA: Differentially private Neural Augmentation for contact tracing

• arxiv url: http://arxiv.org/abs/2404.13381v1
• Date: Sat, 20 Apr 2024 13:43:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 19:19:56.945727
• Title: DNA: Differentially private Neural Augmentation for contact tracing
• Title（参考訳）: DNA : 接触追跡のための個人用神経増強法
• Authors: Rob Romijnders, Christos Louizos, Yuki M. Asano, Max Welling,
• Abstract要約: 接触追跡はウイルスキャリアの早期検出による感染率の低下に有効な方法である。 我々は、分散化された接触追跡において、最先端技術のプライバシー保証を大幅に改善する。 この作業は、重要なプライバシー保証を維持しながら、ディープラーニングをコンタクトトレースに統合する上で、重要な第一歩となる。
• 参考スコア（独自算出の注目度）: 62.740950398187664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID19 pandemic had enormous economic and societal consequences. Contact tracing is an effective way to reduce infection rates by detecting potential virus carriers early. However, this was not generally adopted in the recent pandemic, and privacy concerns are cited as the most important reason. We substantially improve the privacy guarantees of the current state of the art in decentralized contact tracing. Whereas previous work was based on statistical inference only, we augment the inference with a learned neural network and ensure that this neural augmentation satisfies differential privacy. In a simulator for COVID19, even at epsilon=1 per message, this can significantly improve the detection of potentially infected individuals and, as a result of targeted testing, reduce infection rates. This work marks an important first step in integrating deep learning into contact tracing while maintaining essential privacy guarantees.
• Abstract（参考訳）: 新型コロナウイルスのパンデミックは経済と社会に大きな影響を及ぼした。 接触追跡はウイルスキャリアの早期検出による感染率の低下に有効な方法である。 しかし、これは最近のパンデミックでは一般的には採用されておらず、プライバシーに関する懸念が最も重要な理由として挙げられている。 我々は、分散化されたコンタクトトレースにおける現在の最先端技術のプライバシー保証を大幅に改善する。 これまでの研究は統計的推論のみに基づいていたが、学習したニューラルネットワークによる推論を強化し、このニューラルネットワークが差分プライバシーを満たすことを保証する。 COVID19のシミュレーターでは、1メッセージ当たりのepsilon=1でも、感染する可能性のある個人の検出が大幅に改善され、ターゲットテストの結果、感染率が低下する可能性がある。 この作業は、重要なプライバシー保証を維持しながら、ディープラーニングをコンタクトトレースに統合する上で、重要な第一歩となる。

関連論文リスト

• Protect Your Score: Contact Tracing With Differential Privacy Guarantees [68.53998103087508]
  プライバシーに関する懸念は、現在展開を控えている、と私たちは主張する。 本稿では,この攻撃に対して異なるプライバシー保証を有する接触追跡アルゴリズムを提案する。 特に現実的な検査シナリオでは,ウイルス感染率の2倍から10倍の低下を実現している。
  論文  参考訳（メタデータ） (2023-12-18T11:16:33Z)
• Privacy-Preserving Individual-Level COVID-19 Infection Prediction via Federated Graph Learning [33.77030569632993]
  我々は、フェデレートラーニング(FL)とグラフニューラルネットワーク(GNN)に基づく、プライバシ保護のための個人レベルの感染予測フレームワークの開発に注力する。 本稿では,プライバシ保護のためのフェデレート・グラフ学習手法であるFalconを提案する。 我々の手法は最先端のアルゴリズムより優れており、ユーザのプライバシーを実際のプライバシ攻撃から保護することができる。
  論文  参考訳（メタデータ） (2023-11-10T13:22:14Z)
• Simulating and visualizing COVID-19 contact tracing with Corona-Warn-App for increased understanding of its privacy-preserving design [0.0]
  世界は1世紀前に見られた新型コロナウイルス(COVID-19)のパンデミックが進行中だ。 接触追跡は感染の連鎖を封じ込め、破壊するための最も重要かつ効果的なツールの1つである。 接触追跡の侵入的な性質のため、ユーザのプライバシーを維持することが非常に重要である。
  論文  参考訳（メタデータ） (2022-02-04T16:07:10Z)
• 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)
• Predicting Infectiousness for Proactive Contact Tracing [75.62186539860787]
  大規模デジタル接触追跡は、ウイルスの拡散を最小限に抑えながら、経済と社会活動を再開する潜在的な解決策である。 プライバシ、モビリティ制限、公衆衛生のトレードオフを行う様々なDCT手法が提案されている。 本稿では,個人の感染を積極的に予測するためにスマートフォンに展開可能な方法を開発し,検証する。
  論文  参考訳（メタデータ） (2020-10-23T17:06:07Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• COVI White Paper [67.04578448931741]
  接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。 カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
  論文  参考訳（メタデータ） (2020-05-18T07:40:49Z)

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。

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。