論文の概要: A Framework for Multi-source Privacy Preserving Epidemic Analysis

• arxiv url: http://arxiv.org/abs/2506.22342v1
• Date: Fri, 27 Jun 2025 15:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.272804
• Title: A Framework for Multi-source Privacy Preserving Epidemic Analysis
• Title（参考訳）: エピデミック分析のためのマルチソースプライバシ保護フレームワーク
• Authors: Zihan Guan, Zhiyuan Zhao, Fengwei Tian, Dung Nguyen, Payel Bhattacharjee, Ravi Tandon, B. Aditya Prakash, Anil Vullikanti,
• Abstract要約: 一部のデータセットは、しばしばセンシティブで、適切なプライバシー保護が必要である。 プライバシには多くのモデルがありますが、その強力な保証のため、差分プライバシー(DP)は事実上の標準になっています。 本研究では,深層学習と流行モデルを統合して,流行予測を同時に実行し,流行拡大のメカニズムモデルを学習する枠組みを開発する。
• 参考スコア（独自算出の注目度）: 31.81847010151668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is now well understood that diverse datasets provide a lot of value in key epidemiology and public health analyses, such as forecasting and nowcasting, development of epidemic models, evaluation and design of interventions and resource allocation. Some of these datasets are often sensitive, and need adequate privacy protections. There are many models of privacy, but Differential Privacy (DP) has become a de facto standard because of its strong guarantees, without making models about adversaries. In this paper, we develop a framework the integrates deep learning and epidemic models to simultaneously perform epidemic forecasting and learning a mechanistic model of epidemic spread, while incorporating multiple datasets for these analyses, including some with DP guarantees. We demonstrate our framework using a realistic but synthetic financial dataset with DP; such a dataset has not been used in such epidemic analyses. We show that this dataset provides significant value in forecasting and learning an epidemic model, even when used with DP guarantees.
• Abstract（参考訳）: 現在、多様なデータセットが重要な疫学や公衆衛生分析に多くの価値をもたらすことがよく理解されており、例えば、予測や放送、疫病モデルの開発、介入の評価と設計、資源配分などが挙げられる。 これらのデータセットのいくつかは、しばしばセンシティブで、適切なプライバシ保護が必要です。 プライバシには多くのモデルがありますが、ディファレンシャルプライバシ(DP)がデファクトスタンダードになっています。 本稿では,感染拡大の予測と学習を同時に行うための,深層学習と流行モデルを統合したフレームワークを開発し,DP保証を含む複数のデータセットを組み込んだ。 本研究では,DPを用いた現実的かつ総合的な金融データセットを用いて,この枠組みを実証する。 このデータセットは,DP保証を用いた場合であっても,流行の予測と学習において重要な価値を提供することを示す。

関連論文リスト

• Masked Clinical Modelling: A Framework for Synthetic and Augmented Survival Data Generation [1.7769033811751995]
  本稿では,マスク付き言語モデリングに触発されたMCM(Masked Clinical Modelling)について紹介する。 MCMはデータ合成と条件付きデータ拡張の両方のために設計されている。 我々は,このプロトタイプをCox Proportional Hazardsモデルを用いてWHAS500データセット上で評価する。
  論文  参考訳（メタデータ） (2024-10-22T08:38:46Z)
• A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19 [0.6874745415692134]
  本稿では,感染症予測の課題に対処する新しいアプローチを提案する。 本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。 GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-08-26T06:31:53Z)
• Membership Inference Attacks Against Time-Series Models [0.8437187555622164]
  個人情報を含む時系列データは、特に医療分野において、深刻なプライバシー上の懸念を示す。 時系列モデルにおける既存技術について検討し,季節性に着目した新機能を紹介する。 以上の結果から,MIAによる会員識別の有効性が向上し,医療データアプリケーションにおけるプライバシリスクの理解が向上した。
  論文  参考訳（メタデータ） (2024-07-03T07:34:49Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。