論文の概要: CANAL: Channel-Aware Noise Allocation for Differentially Private Feature Distillation in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.13271v1
• Date: Mon, 07 Sep 2026 17:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.157912
• Title: CANAL: Channel-Aware Noise Allocation for Differentially Private Feature Distillation in Medical Image Segmentation
• Title（参考訳）: CANAL: 医用画像分割における個人差分抽出のためのチャネル対応ノイズアロケーション
• Abstract要約: 我々は、重要なチャネルに比例的にノイズを減少させるクローズドフォームな水充填アロケーションであるCANALを紹介する。 我々は、CANALが同一のプライバシー予算において一様ノイズよりもタスク関連シグナルを保有していることを示します。
• 参考スコア（独自算出の注目度）: 2.2115996018152893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation needs diverse training data, but hospitals hold complementary scans they cannot share for privacy and regulatory reasons. Knowledge distillation can bridge this gap by exporting learned feature representations instead of images, but those representations still encode patient-specific anatomy and remain vulnerable to membership-inference and feature-inversion attacks. Adding calibrated Gaussian noise restores a differential-privacy guarantee, yet three issues have been overlooked. First, prior DP feature-distillation pipelines re-sample noise at every student iteration, so each patient image is released many times and the privacy cost composes over those releases, growing by orders of magnitude. We present a sample-once-per-image release, realized by a single precomputation pass, under which each patient contributes one release. Second, uniform noise is wasteful because channels differ in task importance. Using task-gradient energy as the importance measure, we derive CANAL, a closed-form water-filling allocation that gives important channels proportionally less noise, and prove it strictly minimizes importance-weighted distortion at a fixed budget. Third, the clipping caps and importance scores that drive the allocation are themselves data-dependent, so releasing them in the clear silently breaks the guarantee. We give a DP-honest budget split that charges each to the privacy budget, so the reported epsilon is the true epsilon. Across three medical segmentation benchmarks spanning dermoscopy, colonoscopy, and ultrasound, CANAL retains more task-relevant signal than uniform noise at the same privacy budget.
• Abstract（参考訳）: 医療画像のセグメンテーションには多様なトレーニングデータが必要だが、病院はプライバシーや規制上の理由から共有できない補完的なスキャンを持っている。 知識蒸留は、画像の代わりに学習した特徴表現をエクスポートすることでこのギャップを埋めることができるが、これらの表現は患者固有の解剖学をコード化し、メンバーシップ推論や特徴反転攻撃に弱いままである。 校正されたガウスノイズを追加することで、差分プライバシー保証が復活するが、3つの問題が見過ごされている。 第一に、以前のDP機能拡張パイプラインは、学生の繰り返しごとにノイズを再サンプリングするため、各患者イメージは何度もリリースされ、それらのリリースに対してプライバシーコストが構成され、桁違いに増大する。 本症例では,1回のプレコンピュテーションパスにより,各患者が1回のリリースに寄与するサンプル・オンス・インス・イメージ・リリースを提示する。 第2に、チャネルがタスクの重要度が異なるため、均一ノイズは無駄である。 タスク・グラディエント・エネルギを重要度尺度として、重要なチャネルを比例的に少ないノイズを与えるクローズドフォームの給水配分であるCANALを導出し、固定予算における重要度重み付き歪みを極力最小化することを証明する。 第3に、アロケーションを駆動するクリッピングキャップと重要スコアは、それ自体がデータ依存であるため、クリアにそれらを解放することは、保証を静かに破る。 我々は、プライバシー予算にそれぞれ課金するDP-honestの予算を分割するので、報告されたエプシロンは真のエプシロンである。 CANALは、皮膚内視鏡、大腸内視鏡、超音波にまたがる3つの医学的セグメンテーションのベンチマークにおいて、同一のプライバシー予算において均一なノイズよりもタスク関連的な信号を保持する。

関連論文リスト

• Pushing the (Decision) Boundaries: Dynamically Calibrating Differentially Private Noise to Explainability in Federated Learning [5.014410175648809]
  Federated Learning with Differential Privacy (DP)は、分散機械学習におけるデータの機密性を維持するために、ますます採用されている。 DPノイズは表現を学習し、信頼に値する説明が必要な個人FLを制限することによって、説明の忠実さを低下させる。 我々は,クロスサイロFLにおける画像分類のためのクローズドループ,説明可能性駆動型ローカルトレーニングアルゴリズムXCal-FLを提案する。
  論文  参考訳（メタデータ） (2026-09-03T13:43:32Z)
• Less Noise, Same Certificate: Retain Sensitivity for Unlearning [12.34913959100445]
  Certified Machine Unlearningは、データセット$S$でトレーニングされたモデルから、削除セット$U$の影響を確実に除去することを目的としている。 多くの既存の認証済みの未学習手法は、差分プライバシー(DP)の手法に適応し、グローバルな感度に調整されたノイズを追加する。 このDPスタイルの校正は、未学習では過度に保守的であることが示されている。 この区別によって、我々はセマンティクスを、$R$を固定しながら、削除した$U$よりも最悪のケースの出力変更として定義する。
  論文  参考訳（メタデータ） (2026-03-03T17:21:38Z)
• LoRA and Privacy: When Random Projections Help (and When They Don't) [55.65932772290123]
  我々は、$S mapto M f(S)$ with $M sim W_d (1/r I_d, r)$という形のランダムマップである(ウィッシュアート)プロジェクション機構を導入し、その差分プライバシー特性について検討する。 ベクトル値が$f$の場合、付加雑音のない非漸近DP保証を証明し、ウィッシュアートのランダム性だけで十分であることを示す。 しかし,行列値クエリでは,ノイズフリーな環境では,そのメカニズムはDPではなく,その脆弱性を実証する。
  論文  参考訳（メタデータ） (2026-01-29T13:43:37Z)
• Federated Continual Learning for Privacy-Preserving Hospital Imaging Classification [0.0]
  本稿では, DP-Fed EPC (Differentially Private Federated Elastic Prototype Consolidation, DP-Fed EPC) を紹介する。 DP-Fed EPCは、以前のタスクで重要と考えられていた校正パラメータに沿って更新を制限し、潜在プロトタイプのメモリは、生画像を保存することなくクラス構造を保存する。
  論文  参考訳（メタデータ） (2026-01-11T01:28:34Z)
• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• Speckle2Self: Self-Supervised Ultrasound Speckle Reduction Without Clean Data [43.60323168135476]
  単一雑音観測によるスペックル低減のための新しい自己教師型アルゴリズムであるSpeckle2Selfを紹介する。 鍵となる洞察は、マルチスケール摂動(MSP)操作を適用することで、異なるスケールにわたるスペックルパターンの組織依存性の変化がもたらされるということである。 これにより、クリーン画像を低ランク信号としてモデル化し、スパースノイズ成分を分離することにより、効果的なスペックル抑制を可能にする。
  論文  参考訳（メタデータ） (2025-07-09T13:28:00Z)
• 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)
• 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)
• Not all noise is accounted equally: How differentially private learning benefits from large sampling rates [0.0]
  差分的にプライベートなSGDでは、各トレーニングイテレーションで計算された勾配は2種類のノイズを受ける。 本研究では,これらの2種類のノイズが,プライベートニューラルネットワークの有用性に与える影響について検討した。 雑音の比率を、より固有で付加的な雑音にシフトさせる訓練パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-10-12T18:11:31Z)
• Smoothed Differential Privacy [55.415581832037084]
  微分プライバシー(DP)は、最悪のケース分析に基づいて広く受け入れられ、広く適用されているプライバシーの概念である。 本稿では, 祝賀されたスムーズな解析の背景にある最悪の平均ケースのアイデアに倣って, DPの自然な拡張を提案する。 サンプリング手順による離散的なメカニズムはDPが予測するよりもプライベートであるのに対して,サンプリング手順による連続的なメカニズムはスムーズなDP下では依然としてプライベートではないことが証明された。
  論文  参考訳（メタデータ） (2021-07-04T06:55:45Z)
• Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
  完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。 まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。 このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
  論文  参考訳（メタデータ） (2020-06-10T21:28:13Z)

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。