論文の概要: BrainGuard: Privacy-Preserving Multisubject Image Reconstructions from Brain Activities
- arxiv url: http://arxiv.org/abs/2501.14309v1
- Date: Fri, 24 Jan 2025 08:10:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-27 14:56:56.044540
- Title: BrainGuard: Privacy-Preserving Multisubject Image Reconstructions from Brain Activities
- Title（参考訳）: BrainGuard: プライバシー保護による脳活動からの多目的画像再構成
- Authors: Zhibo Tian, Ruijie Quan, Fan Ma, Kun Zhan, Yi Yang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.666853714543993
- License:
- Abstract: Reconstructing perceived images from human brain activity forms a crucial link between human and machine learning through Brain-Computer Interfaces. Early methods primarily focused on training separate models for each individual to account for individual variability in brain activity, overlooking valuable cross-subject commonalities. Recent advancements have explored multisubject methods, but these approaches face significant challenges, particularly in data privacy and effectively managing individual variability. To overcome these challenges, we introduce BrainGuard, a privacy-preserving collaborative training framework designed to enhance image reconstruction from multisubject fMRI data while safeguarding individual privacy. BrainGuard employs a collaborative global-local architecture where individual models are trained on each subject's local data and operate in conjunction with a shared global model that captures and leverages cross-subject patterns. This architecture eliminates the need to aggregate fMRI data across subjects, thereby ensuring privacy preservation. To tackle the complexity of fMRI data, BrainGuard integrates a hybrid synchronization strategy, enabling individual models to dynamically incorporate parameters from the global model. By establishing a secure and collaborative training environment, BrainGuard not only protects sensitive brain data but also improves the image reconstructions accuracy. Extensive experiments demonstrate that BrainGuard sets a new benchmark in both high-level and low-level metrics, advancing the state-of-the-art in brain decoding through its innovative design.
- Abstract（参考訳）: 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、Brain-Computer Interfacesを通じて人間と機械学習の間に決定的なつながりを形成する。
初期の手法は主に、価値あるクロスオブジェクトの共通点を見越して、個々の脳活動の変動を考慮に入れた個々の個人のための個別のモデルを訓練することに焦点を当てていた。
近年、多目的手法が研究されているが、これらの手法は特にデータプライバシや個人の多様性を効果的に管理する上で大きな課題に直面している。
これらの課題を克服するために、個人のプライバシーを保護しつつ、マルチオブジェクトfMRIデータからのイメージ再構成を強化するために設計された、プライバシ保護協調トレーニングフレームワークであるBrainGuardを紹介した。
BrainGuardは、各主題のローカルデータに基づいて個々のモデルをトレーニングし、オブジェクト間のパターンをキャプチャし活用する共有グローバルモデルと併用する、協調的なグローバルローカルアーキテクチャを採用している。
このアーキテクチャにより、対象者間でfMRIデータを集約する必要がなくなるため、プライバシ保護が保証される。
fMRIデータの複雑さに対処するため、BrainGuardはハイブリッド同期戦略を統合し、グローバルモデルからパラメータを動的に組み込むことを可能にする。
セキュアで協調的なトレーニング環境を確立することで、BrainGuardは機密性の高い脳データを保護するだけでなく、画像再構成の精度も向上する。
大規模な実験では、BrainGuardがハイレベルとローレベルの両方のメトリクスに新しいベンチマークを設定し、その革新的な設計を通じて、脳の復号化の最先端を推し進めている。
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) - Enhancing User-Centric Privacy Protection: An Interactive Framework through Diffusion Models and Machine Unlearning [54.30994558765057]
この研究は、データ共有とモデル公開の間、画像データのプライバシーを同時に保護する包括的なプライバシー保護フレームワークのパイオニアだ。
本稿では、生成機械学習モデルを用いて属性レベルで画像情報を修正するインタラクティブな画像プライバシー保護フレームワークを提案する。
本フレームワークでは、画像中の属性情報を保護する差分プライバシー拡散モデルと、修正された画像データセット上でトレーニングされたモデルの効率的な更新を行う特徴未学習アルゴリズムの2つのモジュールをインスタンス化する。
論文 参考訳（メタデータ） (2024-09-05T07:55:55Z) - FedMinds: Privacy-Preserving Personalized Brain Visual Decoding [8.921243665494098]
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。
論文 参考訳（メタデータ） (2024-09-03T16:46:29Z) - Neuro-Vision to Language: Enhancing Brain Recording-based Visual Reconstruction and Language Interaction [8.63068449082585]
非侵襲的な脳記録の復号化は、人間の認知の理解を深める鍵となる。
本研究では,視覚変換器を用いた3次元脳構造と視覚的意味論を統合した。
マルチモーダル大モデル開発を支援するために,fMRI画像関連テキストデータを用いたfMRIデータセットを改良した。
論文 参考訳（メタデータ） (2024-04-30T10:41:23Z) - 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) - Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。
異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
論文 参考訳（メタデータ） (2024-03-29T07:16:34Z) - Brain-ID: Learning Contrast-agnostic Anatomical Representations for
Brain Imaging [11.06907516321673]
脳画像のための解剖学的表現学習モデルであるBrain-IDを導入する。
提案された"Mild-to-Severe"イントラオブジェクト生成により、Brain-IDは被験者固有の脳解剖に対して堅牢である。
本稿では,物体内および物体間ロバスト性を評価するための新しい指標を提案し,その性能を4つの下流アプリケーションで評価する。
論文 参考訳（メタデータ） (2023-11-28T16:16:10Z) - 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) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Multi-task Collaborative Pre-training and Individual-adaptive-tokens
Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。
提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
論文 参考訳（メタデータ） (2023-06-20T08:38:17Z)
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。