論文の概要: Key-Embedded Privacy for Decentralized AI in Biomedical Omics

• arxiv url: http://arxiv.org/abs/2603.28334v1
• Date: Mon, 30 Mar 2026 12:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.375174
• Title: Key-Embedded Privacy for Decentralized AI in Biomedical Omics
• Title（参考訳）: バイオメディカルオミクスにおける分散AIのためのキー埋め込みプライバシ
• Authors: Rongyu Zhang, Hongyu Dong, Gaole Dai, Ziqi Qiao, Shenli Zheng, Yuan Zhang, Aosong Cheng, Xiaowei Chi, Jincai Luo, Pin Li, Li Du, Dan Wang, Yuan Du, Xudong Xing, Jianxu Chen, Shanghang Zhang,
• Abstract要約: 本稿では,Implicit Neural Representation に基づく軽量なフェデレーション学習手法 INFL を提案する。 INFLは、実用性を維持しながら、強力な制御可能なプライバシを実現し、下流の科学および臨床応用のためのユーティリティを保存する。
• 参考スコア（独自算出の注目度）: 43.072683741556126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid adoption of data-driven methods in biomedicine has intensified concerns over privacy, governance, and regulation, limiting raw data sharing and hindering the assembly of representative cohorts for clinically relevant AI. This landscape necessitates practical, efficient privacy solutions, as cryptographic defenses often impose heavy overhead and differential privacy can degrade performance, leading to sub-optimal outcomes in real-world settings. Here, we present a lightweight federated learning method, INFL, based on Implicit Neural Representations that addresses these challenges. Our approach integrates plug-and-play, coordinate-conditioned modules into client models, embeds a secret key directly into the architecture, and supports seamless aggregation across heterogeneous sites. Across diverse biomedical omics tasks, including cohort-scale classification in bulk proteomics, regression for perturbation prediction in single-cell transcriptomics, and clustering in spatial transcriptomics and multi-omics with both public and private data, we demonstrate that INFL achieves strong, controllable privacy while maintaining utility, preserving the performance necessary for downstream scientific and clinical applications.
• Abstract（参考訳）: バイオメディシンにおけるデータ駆動手法の急速な採用は、プライバシ、ガバナンス、規制に対する懸念を強め、生データ共有を制限し、臨床関連AIのための代表的コホートの組み立てを妨げる。 この状況は、現実的な、効率的なプライバシソリューションを必要とする。暗号防御は、しばしば重いオーバーヘッドを課し、差分プライバシはパフォーマンスを低下させ、現実世界の設定における準最適結果をもたらす。 本稿では,これらの課題に対処するImplicit Neural Representationsに基づく,軽量なフェデレーション学習手法であるIDAを提案する。 当社のアプローチでは,プラグアンドプレイでコーディネートされたモジュールをクライアントモデルに統合し,アーキテクチャに直接秘密鍵を埋め込むとともに,異種サイト間のシームレスなアグリゲーションをサポートする。 バルクプロテオミクスにおけるコホートスケールの分類,単一セルトランスクリプトミクスにおける摂動予測の回帰,パブリックデータとプライベートデータの両方を用いた空間的トランスクリプトミクスとマルチオミクスのクラスタリングなど,多様なバイオメディカルオミクスタスクにおいて,IDAは実用性を維持しながら強力な制御可能なプライバシを達成し,下流の科学・臨床応用に必要な性能を維持することを実証した。

関連論文リスト

• Privacy-Preserving EHR Data Transformation via Geometric Operators: A Human-AI Co-Design Technical Report [16.63231295240052]
  構造化された臨床記録のプライバシー保護のためのリアルタイムデータ変換フレームワークを提案する。 我々のアプローチは、医学的意味論と主要な統計的性質を保存する数値的な見解を変容させるものである。
  論文  参考訳（メタデータ） (2026-03-24T08:49:22Z)
• Differential privacy for medical deep learning: methods, tradeoffs, and deployment implications [4.15598192943552]
  ディファレンシャルプライバシ(DP)は、医学的深層学習(DL)における機密データ保護の鍵となる技術である 臨床モデルがデータに依存しやすくなるにつれ、プライバシーと実用性と公正性とのバランスが重要な課題となっている。 医療用DLへのDP適用の最近の進展を概観する。
  論文  参考訳（メタデータ） (2025-05-31T18:03:15Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Differential Privacy for Adaptive Weight Aggregation in Federated Tumor Segmentation [0.05411994681207571]
  Federated Learning(FL)は、個々のクライアントデータのプライバシを尊重しながら、公平なグローバルモデルを作成することによって、プライバシを保護する分散機械学習アプローチである。 医用画像セグメンテーションにおける差分プライバシー(DP)統合ディープラーニングフレームワークを提案する。 我々は, 類似度重み付け法(SimAgg)を, 脳腫瘍セグメント化のための差分プライベート類似度重み付けアルゴリズムDP-SimAggアルゴリズムに拡張する。
  論文  参考訳（メタデータ） (2023-08-01T21:59:22Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• 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。