論文の概要: From Gradient Clipping to Structural Refinement: Improving DPSGD for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.21763v1
• Date: Fri, 19 Jun 2026 21:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 03:24:49.794467
• Title: From Gradient Clipping to Structural Refinement: Improving DPSGD for Medical Image Segmentation
• Title（参考訳）: グラディエントクリッピングから構造リファインメントへ:医用画像分割のためのDPSGDの改良
• Authors: Shiva Parsarad, Parth Shandilya, Isabel Wagner,
• Abstract要約: 医用画像のセグメンテーションは、疾患の検出に広く用いられているが、機密データに依存し、プライバシーの懸念が高まる。 微分プライバシーは、通常、DPSGD (differial Private Gradient Descent) を通じて実装される。 最近のDPSGDには、自動クリッピング(Auto-S)、摂動付き正規化SGD(NSGD)、パーサンプル適応クリッピング(PSAC)などがある。
• 参考スコア（独自算出の注目度）: 5.416422064108777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation is widely used for disease detection but relies on sensitive data, raising privacy concerns as trained models can leak information. Differential privacy, typically implemented via Differential Private Stochastic Gradient Descent (DPSGD), provides a solution, though at the cost of reduced utility. Recent DPSGD variants, including Automatic clipping (Auto-S), Normalised SGD with perturbation (NSGD), and Per-sample adaptive clipping (PSAC), have shown promise in image classification, but their behavior in medical segmentation remains underexplored. We evaluate these methods across binary and multi-class tasks and analyze gradient alignment, showing that prior assumptions, particularly for PSAC, do not consistently hold. We further demonstrate that combining clipping strategies with morphological refinement improves segmentation quality under privacy constraints. Finally, we propose an adaptive DP-Morph variant that captures class-specific structures and enhances performance in multi-class settings.
• Abstract（参考訳）: 医用画像のセグメンテーションは病気の検出に広く用いられているが、機密データに依存しており、訓練されたモデルが情報を漏洩する可能性があるため、プライバシー上の懸念が高まる。 差分プライバシーは、通常、DPSGD (differial Private Stochastic Gradient Descent) によって実装されるが、実用性は低下する。 最近のDPSGDでは、自動クリッピング(Auto-S)、摂動付き正規化SGD(NSGD)、パーサンブル適応クリッピング(Per-sample Adaptive clipping、PSAC)が画像分類において有望であるが、医学的セグメンテーションにおけるそれらの振舞いは未解明のままである。 我々はこれらの手法を2次・複数クラスにまたがって評価し、グラデーションアライメント解析を行い、特にPSACの場合、先行仮定が一定に保たないことを示す。 さらに, クリッピング戦略と形態的改善を組み合わせることで, プライバシー制約下でのセグメンテーション品質が向上することが実証された。 最後に、クラス固有の構造をキャプチャし、マルチクラス設定における性能を向上させる適応型DP-Morph変種を提案する。

関連論文リスト

• Revisiting Privacy Amplification by Subsampling in Selective Release DPSGD [4.723707756235521]
  クリッピンググラディエント(DPSR-CG)に基づく微分プライベート選択リリースを提案する。 DPSR-CG機構は、例外的なモデル性能を達成しつつ、厳格なプライバシ保証を維持していることを示す。
  論文  参考訳（メタデータ） (2026-06-03T03:00:26Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• Enhancing DP-SGD through Non-monotonous Adaptive Scaling Gradient Weight [15.139854970044075]
  我々はDP-PSASC(disferially Private Per-Sample Adaptive Scaling Clipping)を導入する。 このアプローチは、従来のクリッピングを非単調適応勾配スケーリングに置き換える。 DP-PSASCは勾配のプライバシーを保ち、多様なデータセットに優れた性能を提供する。
  論文  参考訳（メタデータ） (2024-11-05T12:47:30Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
  Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。 DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。 提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
  論文  参考訳（メタデータ） (2023-11-24T17:56:44Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)

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。