論文の概要: FedMinds: Privacy-Preserving Personalized Brain Visual Decoding
- arxiv url: http://arxiv.org/abs/2409.02044v1
- Date: Tue, 3 Sep 2024 16:46:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 00:21:46.629077
- Title: FedMinds: Privacy-Preserving Personalized Brain Visual Decoding
- Title（参考訳）: FedMinds:プライバシ保護によるパーソナライズされた脳のビジュアルデコーディング
- Authors: Guangyin Bao, Duoqian Miao,
- Abstract要約: モデルトレーニング中の個人のプライバシ保護にフェデレーション学習を利用するFedMindsという新しいフレームワークを導入する。
提案フレームワークの性能を評価するため,信頼性の高いNSDデータセットの実験を行った。
- 参考スコア（独自算出の注目度）: 8.921243665494098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exploring the mysteries of the human brain is a long-term research topic in neuroscience. With the help of deep learning, decoding visual information from human brain activity fMRI has achieved promising performance. However, these decoding models require centralized storage of fMRI data to conduct training, leading to potential privacy security issues. In this paper, we focus on privacy preservation in multi-individual brain visual decoding. To this end, we introduce a novel framework called FedMinds, which utilizes federated learning to protect individuals' privacy during model training. In addition, we deploy individual adapters for each subject, thus allowing personalized visual decoding. We conduct experiments on the authoritative NSD datasets to evaluate the performance of the proposed framework. The results demonstrate that our framework achieves high-precision visual decoding along with privacy protection.
- Abstract（参考訳）: 人間の脳の謎を探求することは神経科学における長期的な研究課題である。
ディープラーニングの助けを借りて、人間の脳活動から視覚情報をデコードするfMRIは、有望なパフォーマンスを達成した。
しかしながら、これらの復号化モデルは、トレーニングを行うためにfMRIデータの集中ストレージを必要とするため、潜在的なプライバシセキュリティの問題が発生する可能性がある。
本稿では,多次元脳視覚復号法におけるプライバシ保護に着目した。
この目的のために,FedMindsという新しいフレームワークを導入する。フェデレーション学習を利用して,モデルのトレーニング中に個人のプライバシを保護する。
さらに、各対象に対して個別のアダプタを配置し、パーソナライズされた視覚的デコードを可能にする。
提案フレームワークの性能を評価するため,信頼性の高いNSDデータセットの実験を行った。
その結果,我々のフレームワークは,プライバシ保護とともに高精度な視覚復号化を実現していることがわかった。
関連論文リスト
- MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。
脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。
脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
論文 参考訳（メタデータ） (2025-02-07T16:01:59Z) - BrainGuard: Privacy-Preserving Multisubject Image Reconstructions from Brain Activities [22.666853714543993]
人間の脳活動から知覚されたイメージを再構築することは、人間と機械学習の間に重要なつながりを形成する。
近年、マルチオブジェクト手法が研究されているが、これらのアプローチは特にデータプライバシにおいて大きな課題に直面している。
我々は、多目的fMRIデータから画像再構成を強化するために設計されたプライバシー保護協調トレーニングフレームワークBrainGuardを紹介する。
論文 参考訳（メタデータ） (2025-01-24T08:10:47Z) - Toward Generalizing Visual Brain Decoding to Unseen Subjects [20.897856078151506]
我々はまず,Human Connectome Project(HCP)の映画視聴課題において,刺激像とfMRI応答対からなる画像-fMRIデータセットを統合する。
次に,従来の手法のように個人に異なるネットワークヘッドやトークン化器を使わずに,すべての被験者に一様処理を適用する学習パラダイムを提案する。
本研究は,脳活動の個体間における特徴的類似性を明らかにするものである。
論文 参考訳（メタデータ） (2024-10-18T13:04:35Z) - PriPHiT: Privacy-Preserving Hierarchical Training of Deep Neural Networks [44.0097014096626]
エッジデバイスとクラウドサーバの両方でディープラーニングモデルのトレーニングフェーズを実行する方法を提案する。
提案するプライバシ保存方法は,敵の早期出口を利用してエッジのセンシティブなコンテンツを抑制し,タスク関連情報をクラウドに送信する。
論文 参考訳（メタデータ） (2024-08-09T14:33:34Z) - Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。
予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文 参考訳（メタデータ） (2024-05-24T06:06:11Z) - Wills Aligner: Multi-Subject Collaborative Brain Visual Decoding [19.538200208523467]
Wills Alignerは、多目的協調脳視覚デコーディングを実現するための新しいアプローチである。
Wills Aligner氏はまず、解剖学的レベルで異なる被験者のfMRIデータを調整することから始める。
次に、微妙なブライン・オブ・ブライン・エキスパート・アダプターと、個々のfMRIパターンの違いを考慮に入れたメタラーニング戦略を用いる。
論文 参考訳（メタデータ） (2024-04-20T06:01:09Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Aligning brain functions boosts the decoding of visual semantics in
novel subjects [3.226564454654026]
脳の反応をビデオや静止画像に合わせることで脳の復号化を促進することを提案する。
提案手法はオブジェクト外デコード性能を最大75%向上させる。
また、テスト対象者に対して100分未満のデータが得られる場合、古典的な単一オブジェクトアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-12-11T15:55:20Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - BI AVAN: Brain inspired Adversarial Visual Attention Network [67.05560966998559]
機能的脳活動から直接人間の視覚的注意を特徴付ける脳誘発対人視覚注意ネットワーク(BI-AVAN)を提案する。
本モデルは,人間の脳が監督されていない方法で焦点を絞った映画フレーム内の視覚的物体を識別・発見するために,注意関連・無視対象間の偏りのある競合過程を模倣する。
論文 参考訳（メタデータ） (2022-10-27T22:20:36Z) - OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。
本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。
提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
論文 参考訳（メタデータ） (2022-05-24T11:29:37Z)
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。