論文の概要: Keyed Nonlinear Transform: Lightweight Privacy-Enhancing Feature Sharing for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2605.14123v1
• Date: Wed, 13 May 2026 21:17:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.508302
• Title: Keyed Nonlinear Transform: Lightweight Privacy-Enhancing Feature Sharing for Medical Image Analysis
• Title（参考訳）: 鍵となる非線形変換:医療画像解析のための軽量プライバシエンハンシング機能共有
• Authors: Haebom Lee, Gyeongjung Kim,
• Abstract要約: Keyed Transform (KNT) は、キー条件付き難読化を中間表現に適用したドロップイン機能変換である。 KNTはAUCの再識別を0.635から0.586に減らし、オーバーチャンス識別信号の36%の減少に対応する。 解析の結果、KNTの非線形変換は閉形式反転を防止し、リカバリを反復勾配に基づく最適化に移行する。
• 参考スコア（独自算出の注目度）: 0.9625436987364909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature sharing via split inference offers a lightweight alternative to federated learning for resource-constrained hospitals, but transmitted features still leak patient identity information and lack practical mechanisms for controlled feature sharing. We propose Keyed Nonlinear Transform (KNT), a drop-in feature transformation that applies key-conditioned obfuscation to intermediate representations. KNT reduces re-identification AUC from 0.635 to 0.586, corresponding to a 36% reduction in above-chance identity signal, while introducing only 0.15 ms CPU overhead, without backbone retraining, and preserving classification performance within 1.0 pp. Our analysis shows that KNT's nonlinear transform prevents closed-form inversion and shifts recovery to iterative gradient-based optimization under full key compromise, substantially increasing inversion difficulty. The same transform generalizes to dense prediction tasks, incurring only a 4.4 pp Dice reduction on skin-lesion segmentation without retraining. These results position KNT as a practical and efficient privacy layer for split inference deployments.
• Abstract（参考訳）: スプリット推論による特徴共有は、リソース制約のある病院のフェデレーション学習に代わる軽量な代替手段を提供するが、送信された特徴は患者のアイデンティティ情報を漏洩し、制御された特徴共有の実践的なメカニズムが欠如している。 我々はキー条件付き難読化を中間表現に適用するドロップイン特徴変換であるキード非線形変換(KNT)を提案する。 KNTはAUCの再識別を0.635から0.586に減らし、オーバークロック信号は36%減少し、CPUオーバーヘッドは0.15msに過ぎず、バックボーンのリトレーニングは行わず、1.0pp以内の分類性能を保っている。 解析の結果、KNTの非線形変換は閉形式逆転を防止し、完全鍵妥協の下で繰り返し勾配に基づく最適化へと回復し、逆転の難しさを大幅に増大させることが示された。 同じ変換は密度の高い予測タスクに一般化され、再トレーニングせずに皮膚と歯列のセグメンテーションを4.4 pp Dice で削減する。 これらの結果は、KNTを分割推論デプロイメントのための実用的で効率的なプライバシ層として位置づけている。

関連論文リスト

• LightSplit: Practical Privacy-Preserving Split Learning via Orthogonal Projections [54.51153206716027]
  Split Learning(SL)は、ニューラルネットワークをクライアントと中央サーバに分割することで、協調的なトレーニングを可能にする。 カット層に軽量な固定ランダムプロジェクションを適用することにより,情報露出を制限し,通信オーバーヘッドを低減するLightSplitを提案する。 提案手法は, 伝送次元の最大32倍の精度で, 95%以上の精度を維持できることを示した。
  論文  参考訳（メタデータ） (2026-05-13T09:45:49Z)
• Efficient KernelSHAP Explanations for Patch-based 3D Medical Image Segmentation [0.7178174536168246]
  本稿では,ユーザ定義の関心領域と受容野サポートに基づく3次元医用画像セグメンテーションのための効率的なフレームワークを提案する。 キャッシュは冗長な計算を著しく削減し(15%から30%)、忠実さと解釈性が明確なトレードオフを示すことを示す。
  論文  参考訳（メタデータ） (2026-04-13T17:43:33Z)
• Neural expressiveness for beyond importance model compression [2.536703706045127]
  表現性(Expressiveness)というモデル圧縮のための新しい基準を導入する。 表現力は、情報資源を効果的に再分配するニューロンまたはニューロンのグループを強調する。 表現性は任意のデータや限られたデータセットの代表サンプルと効果的に近似されていることを示す。
  論文  参考訳（メタデータ） (2025-12-06T14:07:34Z)
• Sparse Model Inversion: Efficient Inversion of Vision Transformers for Data-Free Applications [99.72917069918485]
  既存の高密度インバージョン手法を高速化する新しいスパースモデルインバージョン戦略を提案する。 具体的には,雑音背景の逆転や潜在的な刺激的相関を抑えつつ,意味的前景を反転させる。
  論文  参考訳（メタデータ） (2025-10-31T05:14:36Z)
• Efficient Token Compression for Vision Transformer with Spatial Information Preserved [59.79302182800274]
  トーケン圧縮は、トランスモデルの計算およびメモリ要求の低減に不可欠である。 本稿では,Prune と Merge という,効率的なハードウェア互換のトークン圧縮手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T14:23:18Z)
• SegStitch: Multidimensional Transformer for Robust and Efficient Medical Imaging Segmentation [15.811141677039224]
  最先端の手法、特にトランスフォーマーを利用した手法は、3Dセマンティックセグメンテーションにおいて顕著に採用されている。 しかし、局所的な特徴や計算の複雑さが無視されているため、普通の視覚変換器は困難に直面する。 本稿では,SegStitchを提案する。SegStitchは変圧器とODEブロックを結合した革新的なアーキテクチャである。
  論文  参考訳（メタデータ） (2024-08-01T12:05:02Z)
• Short Range Correlation Transformer for Occluded Person Re-Identification [4.339510167603376]
  PFTと呼ばれる部分的特徴変換器に基づく人物識別フレームワークを提案する。 提案したPFTは3つのモジュールを用いて視覚変換器の効率を向上する。 包括的および包括的再同定データセットに対する実験結果から,提案したPFTネットワークが一貫した性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-01-04T11:12:39Z)
• AdaViT: Adaptive Tokens for Efficient Vision Transformer [91.88404546243113]
  本稿では,視覚変換器(ViT)の推論コストを,複雑さの異なる画像に対して適応的に調整する手法であるAdaViTを紹介する。 AdaViTは、推論が進むにつれてネットワーク内で処理されるビジョントランスフォーマーのトークン数を自動で削減することで、これを実現する。
  論文  参考訳（メタデータ） (2021-12-14T18:56:07Z)
• Inception Convolution with Efficient Dilation Search [121.41030859447487]
  拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。 そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。 本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
  論文  参考訳（メタデータ） (2020-12-25T14:58:35Z)
• Pruning Redundant Mappings in Transformer Models via Spectral-Normalized Identity Prior [54.629850694790036]
  スペクトル正規化アイデンティティ事前 (SNIP) は、トランスフォーマーモデルにおける残余モジュール全体をアイデンティティマッピングに向けてペナライズする構造化プルーニング手法である。 5つのGLUEベンチマークタスクでBERTを用いて実験を行い、SNIPが同等の性能を維持しながら効率的な刈り取り結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-10-05T05:40:56Z)

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。