論文の概要: Privacy-preserving neutral atom-based quantum classifier towards real healthcare applications

• arxiv url: http://arxiv.org/abs/2505.04570v1
• Date: Wed, 07 May 2025 17:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.15702
• Title: Privacy-preserving neutral atom-based quantum classifier towards real healthcare applications
• Title（参考訳）: プライバシ保存型中性原子型量子分類器の医療への応用
• Authors: Ettore Canonici, Filippo Caruso,
• Abstract要約: MLヘルスケアアプリケーションは、データのパフォーマンス、解釈可能性、データプライバシの尊重を極めて必要とします。 近年,データプライバシ保護を目的とした専用手法が開発され始めている。 そこで,SVM(Support Vector Machine)分類器モデルを提案する。 このモデルは、機密データをクラウドで利用可能なQPUに転送する必要がないため、データのプライバシを保護するために匿名化技術を必要としない。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Technological advances in Artificial Intelligence (AI) and Machine Learning (ML) for the healthcare domain are rapidly arising, with a growing discussion regarding the ethical management of their development. In general, ML healthcare applications crucially require performance, interpretability of data, and respect for data privacy. The latter is an increasingly debated topic as commercial cloud computing services become more and more widespread. Recently, dedicated methods are starting to be developed aiming to protect data privacy. However, these generally result in a trade-off forcing one to balance the level of data privacy and the algorithm performance. Here, a Support Vector Machine (SVM) classifier model is proposed whose training is reformulated into a Quadratic Unconstrained Binary Optimization (QUBO) problem, and adapted to a neutral atom-based Quantum Processing Unit (QPU). Our final model does not require anonymization techniques to protect data privacy since the sensitive data are not needed to be transferred to the cloud-available QPU. Indeed, the latter is used only during the training phase, hence allowing a future concrete application in a real-world scenario. Finally, performance and scaling analyses on a publicly available breast cancer dataset are discussed, both using ideal and noisy simulations for the training process, and also successfully tested on a currently available real neutral-atom QPU.
• Abstract（参考訳）: 医療分野における人工知能(AI)と機械学習(ML)の技術進歩が急速に高まり、その発展の倫理的管理に関する議論が活発化している。 一般的に、MLヘルスケアアプリケーションは、パフォーマンス、データの解釈可能性、データプライバシの尊重を極めて必要とします。 商用クラウドコンピューティングサービスがますます普及するにつれて、後者はますます議論の的になっている。 近年,データプライバシ保護を目的とした専用手法が開発され始めている。 しかし、これらは一般的にトレードオフをもたらし、データのプライバシとアルゴリズムのパフォーマンスのバランスをとらざるを得ない。 ここでは、SVM(Support Vector Machine)分類モデルを提案し、トレーニングを擬似非拘束バイナリ最適化(QUBO)問題に修正し、中性原子ベースの量子処理ユニット(QPU)に適応させる。 我々の最終モデルは、機密データをクラウドで利用可能なQPUに転送する必要がないため、データのプライバシを保護するために匿名化技術を必要としない。 実際、後者はトレーニングフェーズでのみ使用されるため、現実のシナリオにおける将来の具体的なアプリケーションが可能になる。 最後に、トレーニングプロセスにおける理想的およびノイズの多いシミュレーションと、現在利用可能な実際の中性原子QPUでのテストの両方を用いて、パブリックな乳がんデータセットのパフォーマンスとスケーリングの分析について論じる。

関連論文リスト

• LLM-based Agent Simulation for Maternal Health Interventions: Uncertainty Estimation and Decision-focused Evaluation [30.334268991701727]
  エージェントに基づくシミュレーションは複雑な人間の行動のモデル化に不可欠である。 従来のアプローチでは、広範なドメイン知識と大規模なデータセットが必要です。 大規模言語モデル(LLM)は、幅広い世界の知識を活用することで、有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-03-25T20:24:47Z)
• Privacy-Preserving SAM Quantization for Efficient Edge Intelligence in Healthcare [9.381558154295012]
  Segment Anything Model (SAM) はインテリジェントなイメージセグメンテーションに優れている。 SAMはリソース制限されたエッジデバイスにデプロイする上で大きな課題となる。 本研究では,原データなしで量子化パラメータを学習・校正する DFQ-SAM という,SAM のためのデータフリー量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-14T10:43:35Z)
• Generative AI for Secure and Privacy-Preserving Mobile Crowdsensing [74.58071278710896]
  生成AIは、学術分野と産業分野の両方から多くの注目を集めている。 セキュアでプライバシ保護のモバイルクラウドセンシング(SPPMCS)は、データ収集/取得に広く応用されている。
  論文  参考訳（メタデータ） (2024-05-17T04:00:58Z)
• Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
  我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。 提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
  論文  参考訳（メタデータ） (2024-05-09T08:15:31Z)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• DUET: A Tuning-Free Device-Cloud Collaborative Parameters Generation Framework for Efficient Device Model Generalization [66.27399823422665]
  デバイスモデル一般化(Device Model Generalization, DMG)は、デバイス上での機械学習アプリケーションにおいて、実用的ながら実証されていない研究トピックである。 本稿では,Device-cloUdコラボレーティブパラメトリクスフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2022-09-12T13:26:26Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Machine Learning in Precision Medicine to Preserve Privacy via Encryption [2.099922236065961]
  我々は,がんを予測するMLモデルの構築に使用した,暗号化(MLE)フレームワークを用いた汎用機械学習を提案する。 我々のフレームワークの予測精度は、同じデータセット上で実施された最新の研究よりもわずかに高い。 私たちは、フレームワークの設計と実装、すべてのML実験とコード、そして、無料のクラウドサービスにデプロイされた最終的な予測モデルを含む、オープンソースのリポジトリを提供しています。
  論文  参考訳（メタデータ） (2021-02-05T20:22:15Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)

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。