論文の概要: DP-RuL: Differentially-Private Rule Learning for Clinical Decision Support Systems
- arxiv url: http://arxiv.org/abs/2405.09721v1
- Date: Wed, 15 May 2024 22:31:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-17 15:40:20.262403
- Title: DP-RuL: Differentially-Private Rule Learning for Clinical Decision Support Systems
- Title（参考訳）: DP-RuL:臨床意思決定支援システムにおける差分的ルール学習
- Authors: Josephine Lamp, Lu Feng, David Evans,
- Abstract要約: プライバシ保護CDSSの目標は、個々のクライアントのローカルルールセットから集団ルールセットを学ぶことだ。
本稿では,この問題に焦点をあてた最初の研究と,地域差分プライバシーを用いた集団ルールセット学習フレームワークの開発について述べる。
我々は,3つの臨床データセットを用いてアプローチを評価し,低プライバシー損失予算においても,高いカバレッジ(ルールの幅)と臨床的有用性で人口規則を学習できることを見出した。
- 参考スコア（独自算出の注目度）: 8.368551394381972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Serious privacy concerns arise with the use of patient data in rule-based clinical decision support systems (CDSS). The goal of a privacy-preserving CDSS is to learn a population ruleset from individual clients' local rulesets, while protecting the potentially sensitive information contained in the rulesets. We present the first work focused on this problem and develop a framework for learning population rulesets with local differential privacy (LDP), suitable for use within a distributed CDSS and other distributed settings. Our rule discovery protocol uses a Monte-Carlo Tree Search (MCTS) method integrated with LDP to search a rule grammar in a structured way and find rule structures clients are likely to have. Randomized response queries are sent to clients to determine promising paths to search within the rule grammar. In addition, we introduce an adaptive budget allocation method which dynamically determines how much privacy loss budget to use at each query, resulting in better privacy-utility trade-offs. We evaluate our approach using three clinical datasets and find that we are able to learn population rulesets with high coverage (breadth of rules) and clinical utility even at low privacy loss budgets.
- Abstract（参考訳）: 厳重なプライバシー上の懸念は、ルールベースの臨床意思決定支援システム(CDSS)における患者データの使用によって生じる。
プライバシ保護CDSSの目標は、個々のクライアントのローカルルールセットから集団ルールセットを学習し、ルールセットに含まれる潜在的な機密情報を保護することである。
本稿では,この問題に焦点をあて,分散CDSSや他の分散設定での使用に適した地域差分プライバシ(LDP)を用いて集団ルールセットを学習するためのフレームワークを開発する。
我々のルール発見プロトコルは、LCPと統合されたモンテカルロ木探索(MCTS)手法を用いて、ルール文法を構造化された方法で検索し、クライアントが持つであろうルール構造を見つける。
ランダム化された応答クエリは、ルール文法内で検索する有望なパスを決定するためにクライアントに送られる。
さらに、各クエリでどれだけのプライバシ損失予算を使うかを動的に決定し、それによってより優れたプライバシ・ユーティリティのトレードオフをもたらす適応的な予算配分手法を導入する。
我々は,3つの臨床データセットを用いてアプローチを評価し,低プライバシー損失予算においても,高いカバレッジ(ルールの幅)と臨床的有用性で人口規則を学習できることを見出した。
関連論文リスト
- BACSA: A Bias-Aware Client Selection Algorithm for Privacy-Preserving Federated Learning in Wireless Healthcare Networks [0.5524804393257919]
本稿では,ユーザのバイアスを検知し,バイアスプロファイルに基づいてクライアントを戦略的に選択するBias-Aware Client Selection Algorithm (BACSA)を提案する。
BACSAは、Quality of Service(QoS)、プライバシ、セキュリティが最重要である、機密性の高い医療アプリケーションに適している。
論文 参考訳（メタデータ） (2024-11-01T21:34:43Z) - Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。
ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
論文 参考訳（メタデータ） (2024-06-20T13:54:32Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Considerations on the Theory of Training Models with Differential
Privacy [13.782477759025344]
連合学習における協調学習は、各クライアントがそれぞれのローカルトレーニングデータの使用方法をコントロールしたいという一連のクライアントによって行われる。
差分プライバシーは、プライバシー漏洩を制限する方法の1つである。
論文 参考訳（メタデータ） (2023-03-08T15:56:27Z) - On Differential Privacy for Federated Learning in Wireless Systems with
Multiple Base Stations [90.53293906751747]
複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。
本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。
提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
論文 参考訳（メタデータ） (2022-08-25T03:37:11Z) - Generalized Linear Bandits with Local Differential Privacy [4.922800530841394]
パーソナライズドメディカルやオンライン広告などの多くのアプリケーションは、効果的な学習のために個人固有の情報を活用する必要がある。
これは、局所微分プライバシー(LDP)というプライバシーの厳格な概念を文脈的盗賊に導入する動機となっている。
本稿では,一般線形バンドレットに対するLDPアルゴリズムを設計し,非プライバシ設定と同じ後悔点を実現する。
論文 参考訳（メタデータ） (2021-06-07T06:42:00Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳（メタデータ） (2021-06-01T12:01:51Z) - Community Detection for Access-Control Decisions: Analysing the Role of
Homophily and Information Diffusion in Online Social Networks [0.0]
ACL(Access-Control Lists)は、オンラインソーシャルネットワーク(OSN)の最も重要なプライバシー機能のひとつである。
本研究は,OSNにおけるACLの自動生成におけるコミュニティ検出アルゴリズムの利用について検討する。
論文 参考訳（メタデータ） (2021-04-19T08:49:59Z) - Privacy-Constrained Policies via Mutual Information Regularized Policy Gradients [54.98496284653234]
報酬を最大化しつつ、行動を通じて特定の機密状態変数の開示を最小限に抑えながら、報酬を最大化する政策を訓練する課題を考察する。
本稿では, 感性状態と行動の相互情報に基づく正則化器を導入することで, この問題を解決する。
プライバシ制約のあるポリシーを最適化するためのモデルベース推定器を開発した。
論文 参考訳（メタデータ） (2020-12-30T03:22:35Z) - Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。
まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。
そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-09-18T20:18:35Z)
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。