論文の概要: FedDP-PALD: A Privacy-Preserving Federated Latent Diffusion Framework with Prototype Aggregation for Medical Data Synthesis
- arxiv url: http://arxiv.org/abs/2607.16300v1
- Date: Mon, 13 Jul 2026 21:04:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.09913
- Title: FedDP-PALD: A Privacy-Preserving Federated Latent Diffusion Framework with Prototype Aggregation for Medical Data Synthesis
- Title（参考訳）: FedDP-PALD: 医用データ合成のためのプロトタイプアグリゲーションを用いたプライバシ保護型潜伏拡散フレームワーク
- Abstract要約: 我々は、正式なプライバシー保証の下で医療データ合成のためのプライバシー保護フレームワークであるFedDP-PALDを提案する。
胸部X線画像と心電図信号を処理する。
メンバーシップ推論に強く抵抗しながら、有用な決定性能を維持するプライベートな合成表現を生成する。
- 参考スコア（独自算出の注目度）: 0.6372261626436676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical images and physiological signals provide valuable information for accurate diagnosis. Developing diagnostic models often requires patient data from multiple institutions, although strict privacy regulations limit the sharing of sensitive clinical records. Federated learning enables multiple hospitals to train a shared model without exchanging raw data. However, existing methods face two problems: the information exchanged during training can reveal whether a patient's data were used, and synthetic data meant to replace real records often fail to preserve their predictive structure, which limits clinical use. To address this issue, we propose FedDP-PALD, a privacy-preserving federated latent diffusion framework for multimodal medical data synthesis under formal privacy guarantees. It jointly processes chest X-ray images and electrocardiogram (ECG) signals through gated multi-head attention with modality-availability masks, remaining effective even when a modality is missing. We also introduce Differentially Private Prototype Mixture Aggregation (DP-PMA), which clips class-level latent prototypes and adds calibrated Gaussian noise before combining them on the server to maintain $(ε, δ)$ differential privacy. We evaluate FedDP-PALD on PneumoniaMNIST, ChestMNIST, and MIT-BIH datasets, where differential privacy reduced summary-level attack AUROC from 0.6229 $\pm$ 0.0026 to between 0.5016 and 0.5093 for privacy budgets from $ε= 1$ to $ε= 8$. On the test data, synthetic-latent training achieved an F1 score of 0.8993 $\pm$ 0.0006 and an AUROC of 0.9057 $\pm$ 0.0503, close to the 0.9747 $\pm$ 0.0132 real-latent training. These results show that FedDP-PALD generates private synthetic representations that preserve useful decision performance while strongly resisting membership inference.
- Abstract（参考訳）: 医用画像と生理信号は正確な診断に有用な情報を提供する。
診断モデルの開発には、複数の機関からの患者データを必要とすることが多いが、厳格なプライバシー規制により、機密性のある臨床記録の共有が制限される。
フェデレートラーニングは、複数の病院が生データを交換することなく、共有モデルを訓練することを可能にする。
しかし、既存の方法は2つの問題に直面している: トレーニング中に交換された情報は、患者のデータが使用されているかどうかを明らかにすることができ、実際の記録を置き換えるための合成データは、臨床使用を制限する予測構造を維持するのに失敗することが多い。
この問題に対処するために, 正式なプライバシ保証の下でのマルチモーダル医療データ合成のための, プライバシ保存型潜在拡散フレームワークであるFedDP-PALDを提案する。
胸部X線像と心電図(ECG)信号とを、モダリティが欠如している場合でも有効に維持する。
また、クラスレベルの遅延プロトタイプをクリップし、キャリブレーションされたガウスノイズを加えてサーバ上で組み合わせ、$(ε, δ)$差分プライバシーを維持する。
我々は、PneumoniaMNIST、ChestMNIST、MIT-BIHデータセット上でFedDP-PALDを評価した。このデータセットでは、差分プライバシーが要約レベルアタックを0.6229ドル\pm$ 0.0026から0.5016ドルから0.5093ドルに減らし、プライバシ予算をε= 1$から$ε= 8$に減らした。
テストデータでは、合成潜水訓練は0.8993$\pm$ 0.0006、AUROCは0.9057$\pm$ 0.0503、実潜水訓練は0.9747$\pm$ 0.0132であった。
これらの結果から,FedDP-PALDは,メンバーシップ推論に強く抵抗しながら,有用な決定性能を保ったプライベートな合成表現を生成することが明らかとなった。
関連論文リスト
- Similarity Weighted Aggregation with Global Differential Privacy for Federated Brain Lesion Segmentation [0.04863616912081875]
Federated Learning (FL)は、機密データを共有することなく、複数の機関で機械学習モデルの協調トレーニングを可能にする。
本稿では、類似度重み付け集約とサーバ側差分プライバシー機構を統合したプライバシー保護フェデレーション学習フレームワークDP-SimAggを提案する。
論文 参考訳（メタデータ） (2026-08-01T21:23:32Z) - Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks [2.4149105714758545]
本研究は、異種医療データセット用に設計されたプライバシ保護協調医療画像セグメンテーションフレームワーク(PPCMI-SF)を紹介する。
サーバ側の統一マッピングネットワークは、複数スケールの潜時-潜時変換を実行し、生データを公開することなくセグメンテーション推論を可能にする。
論文 参考訳（メタデータ） (2026-03-04T12:05:45Z) - FedOnco-Bench: A Reproducible Benchmark for Privacy-Aware Federated Tumor Segmentation with Synthetic CT Data [0.0]
フェデレートラーニング(FL)は、複数の機関が、ソースに機密データを保持しながら、機械学習モデルを協調的にトレーニングすることを可能にする。
本報告では,腫瘍アノテーションを用いた合成腫瘍CTスキャンを用いて,プライバシを意識したFLの再現可能なベンチマークであるFedOnco-Benchを提案する。
FLメソッドのセグメンテーション性能とプライバシリークを評価する。FedAvg、FedProx、FedBN、FedAvgをDP-SGDで評価する。
論文 参考訳（メタデータ） (2025-11-02T04:17:14Z) - A Privacy-Preserving Federated Learning Framework for Generalizable CBCT to Synthetic CT Translation in Head and Neck [0.0]
Cone-beam CT(CBCT)は画像誘導放射線療法(IGRT)において広く採用されている。
頭頸部領域におけるCBCT-to-sCT合成のためのクロスサイロ水平フェデレーションラーニング(FL)手法を提案する。
論文 参考訳（メタデータ） (2025-06-10T10:10:56Z) - Differentially Private Distributed Inference [2.4401219403555814]
臨床試験に協力する医療センターは、知識共有と機密データ保護のバランスを取る必要がある。
情報漏洩を制御するために差分プライバシー(DP)を用いてこの問題に対処する。
エージェントはログリニアルールを通じて信条統計を更新し、DPノイズは信頼性の高い識別性と厳格な性能保証を提供する。
論文 参考訳（メタデータ） (2024-02-13T01:38:01Z) - 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) - Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。
我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
論文 参考訳（メタデータ） (2023-02-03T09:49:13Z) - Analyzing Privacy Leakage in Machine Learning via Multiple Hypothesis
Testing: A Lesson From Fano [83.5933307263932]
本研究では,離散データに対するデータ再構成攻撃について検討し,仮説テストの枠組みの下で解析する。
基礎となるプライベートデータが$M$のセットから値を取ると、ターゲットのプライバシパラメータ$epsilon$が$O(log M)$になる。
論文 参考訳（メタデータ） (2022-10-24T23:50:12Z) - FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality
Brain Image Synthesis [55.939957482776194]
我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。
FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。
FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
論文 参考訳（メタデータ） (2022-01-22T02:50:29Z) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳（メタデータ） (2021-10-07T14:03:00Z) - Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。
敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。
差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
論文 参考訳（メタデータ） (2020-05-01T04:28:38Z)
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。