論文の概要: REAN: Reconstruction-aware ECG Anonymization Based on Privacy--Utility Orthogonality

• arxiv url: http://arxiv.org/abs/2607.06037v1
• Date: Tue, 07 Jul 2026 09:12:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.465372
• Title: REAN: Reconstruction-aware ECG Anonymization Based on Privacy--Utility Orthogonality
• Title（参考訳）: REAN:プライバシ-ユーティリティの直交性に基づくリコンストラクション対応ECG匿名化
• Abstract要約: 本稿では,ECG信号匿名化器であるemphREAN(emphrestruction-aware ECG emphANonymizer)を提案する。 パブリックな4つのPhiloNetデータベース上では、REANは生のECG信号ベースラインの中で最も強力なプライバシとユーティリティのバランスを達成している。
• 参考スコア（独自算出の注目度）: 9.42946566157669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A shared electrocardiogram (ECG) is itself a biometric fingerprint that can re-identify a patient and reveal personal information. Recent ECG anonymizers transform the signal before sharing to reduce privacy leakage. However, existing methods still face a privacy--utility trade-off, in which preserving privacy often compromises utility while preserving utility reveals personal information. We propose \emph{REAN} (\emph{RE}construction-aware ECG \emph{AN}onymizer), a raw ECG signal anonymizer, to address this privacy--utility trade-off. REAN reconstructs the signal using a 1-D U-Net trained with losses from frozen privacy and utility classifiers to reduce privacy leakage while preserving utility. The privacy and utility gradients are near-orthogonal ($\approx$93.8$^\circ$), so reducing privacy leakage leaves utility almost unchanged. On four public PhysioNet databases, REAN achieves the strongest privacy--utility balance among raw ECG signal baselines. It drives re-identification to chance (0.96$\to$0.00), keeps arrhythmia macro-AUROC at the clean level (Clean 0.9982 vs.\ REAN 0.9991), and maintains re-identification protection under unseen privacy-classifier architectures.
• Abstract（参考訳）: 共有心電図(英: shared electrocardiogram, ECG)は、患者を識別し、個人情報を明らかにするための生体指紋である。 最近のECG匿名化器は、プライバシー漏洩を減らすために共有前に信号を変換する。 しかし、既存の方法は依然としてプライバシーとユーティリティのトレードオフに直面しており、プライバシーの保護はユーティリティを侵害し、ユーティリティの保護は個人情報を明らかにする。 本稿では, 生ECG信号匿名化器であるemph{REAN} (\emph{RE}construction-aware ECG \emph{AN}onymizer) を提案する。 REANは、凍結したプライバシーとユーティリティ分類器の損失で訓練された1-D U-Netを使って信号を再構築し、ユーティリティを保存しながらプライバシーの漏洩を減らす。 プライバシーとユーティリティの勾配は、ほぼ直交している(93.8$^\circ$)。 パブリックな4つのPhiloNetデータベース上では、REANは生のECG信号ベースラインの中で最も強力なプライバシとユーティリティのバランスを達成している。 再同定をチャンス(0.96$\to$0.00)に促し、不整脈マクロAUROCをクリーンなレベルで保持する(Clean 0.9982 vs. Clean 0.9982)。 REAN 0.9991) で、未確認のプライバシ分類アーキテクチャの下で再識別保護を維持している。

関連論文リスト

• HearSay Benchmark: Do Audio LLMs Leak What They Hear? [71.05839007164776]
  本稿では,オーディオ大言語モデルがアコースティック・ボイスプリントのみを通じて,ユーザのプライバシーを不注意に漏洩するかどうかを考察する。 $textitHearSay$は、22,000以上の現実世界のオーディオクリップから構築された総合的なベンチマークである。 textbfSignificant Privacy Leakage$の実験は、3つの重要な発見をもたらす。
  論文  参考訳（メタデータ） (2026-01-07T10:33:44Z)
• PrivacyBench: A Conversational Benchmark for Evaluating Privacy in Personalized AI [8.799432439533211]
  AIエージェントはユーザのデジタルフットプリントへのアクセスに依存しており、プライベートメールやチャット、購入履歴からの機密データを含むことが多い。 このアクセスは、基本的な社会的およびプライバシーリスクを生み出します。 埋め込みシークレットを含む社会的基盤データセットを備えたベンチマークであるPrivacyBenchを紹介する。
  論文  参考訳（メタデータ） (2025-12-31T13:16:45Z)
• DPSR: Differentially Private Sparse Reconstruction via Multi-Stage Denoising for Recommender Systems [5.237172334460829]
  ディファレンシャルプライバシは、レコメンデーションシステムでユーザーデータを保護するためのゴールドスタンダードとして登場した。 既存のプライバシー保護メカニズムは、プライバシー予算が厳しくなるにつれ、根本的な課題に直面している。 DPSRは,新しい3段階のデノベーションフレームワークである。
  論文  参考訳（メタデータ） (2025-12-22T00:43:29Z)
• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Privacy Enhancement for Gaze Data Using a Noise-Infused Autoencoder [1.8416014644193066]
  潜在雑音オートエンコーダを用いた視線信号のプライバシー向上機構を提案する。 生体認証および視線予測タスクにおけるプライバシー利用トレードオフを評価する。
  論文  参考訳（メタデータ） (2025-08-01T20:46:52Z)
• Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
  プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。 本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。 また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• Private Fine-tuning of Large Language Models with Zeroth-order Optimization [51.19403058739522]
  差分的プライベート勾配降下(DP-SGD)により、モデルはプライバシ保護の方法でトレーニングできる。 DP-ZO(DP-ZO)は,ゼロオーダー最適化手法を民営化することで,大規模言語モデルのためのプライベートな微調整フレームワークである。
  論文  参考訳（メタデータ） (2024-01-09T03:53:59Z)
• Slice it up: Unmasking User Identities in Smartwatch Health Data [1.4797368693230672]
  本稿では、時系列健康データに対する類似性に基づく動的時間ワープ(DTW)再識別攻撃のための新しいフレームワークを提案する。 私たちの攻撃はトレーニングデータとは独立しており、1つのCPUコア上で1万の被験者に対して約2分で類似性ランキングを計算します。
  論文  参考訳（メタデータ） (2023-08-16T12:14:50Z)
• A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
  推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。 EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。 我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
  論文  参考訳（メタデータ） (2023-04-17T00:38:01Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)
• Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
  我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。 Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。 エンコードされたデータから診断を予測する能力を維持している。
  論文  参考訳（メタデータ） (2022-01-28T20:32:04Z)
• FedCG: Leverage Conditional GAN for Protecting Privacy and Maintaining Competitive Performance in Federated Learning [11.852346300577494]
  フェデレートラーニング(FL)は、クライアントがプライベートデータを共有せずに、協調して機械学習モデルを構築することを可能にすることで、データのプライバシを保護することを目的としている。 近年の研究では、FL中に交換された情報が勾配に基づくプライバシー攻撃の対象であることが示されている。 我々は,条件付き生成対向ネットワークを利用して高レベルのプライバシ保護を実現する新しいフェデレーション学習手法である$textscFedCG$を提案する。
  論文  参考訳（メタデータ） (2021-11-16T03:20:37Z)
• Subverting Privacy-Preserving GANs: Hiding Secrets in Sanitized Images [13.690485523871855]
  最先端のアプローチでは、プライバシ保護による生成的敵ネットワーク(PP-GAN)を使用して、ユーザのアイデンティティを漏洩することなく、信頼できる表情認識を可能にする。 PP-GANの高感度化出力画像に機密識別データを隠蔽して後で抽出できることを示す。
  論文  参考訳（メタデータ） (2020-09-19T19:02:17Z)

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。