論文の概要: Aegis: Generative Gradient Masking for Privacy-Preserving Medical Federated Learning

• arxiv url: http://arxiv.org/abs/2609.38339v1
• Date: Tue, 29 Sep 2026 18:05:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.55903
• Title: Aegis: Generative Gradient Masking for Privacy-Preserving Medical Federated Learning
• Title（参考訳）: Aegis: プライバシ保護型医療連携学習のためのジェネレーティブなグラディエントマスキング
• Abstract要約: フェデレートラーニング(FL)は、多施設医療AIの基礎パラダイムとなっている。 Aegisは、患者データやFLプロトコルを変更することなく、このジレンマを壊す、原則化されたクライアント側防御である。 Aegisは3つの最先端MIAを中和し、モデルユーティリティを保ち、わずかなオーバーヘッドしか生じない。
• 参考スコア（独自算出の注目度）: 13.24853082050553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) has become a foundational paradigm for multi-institutional medical AI, allowing hospitals and research centers to jointly train diagnostic models without exchanging patient records. This privacy promise, however, is increasingly contested: a malicious or honest-but-curious server can launch model inversion attacks (MIAs) that reconstruct private patient images directly from shared model updates, and recent scalable, closed-form attacks penetrate even secure aggregation at clinically realistic batch sizes. Existing defenses face an unsatisfactory dilemma. Gradient-perturbation methods such as differential privacy and pruning trade away the diagnostic accuracy on which clinical reliability depends, while cryptographic protocols add system complexity yet still leave updates exposed to these scalable attacks. We propose Aegis, a principled client-side defense that breaks this dilemma without perturbing patient data or modifying the FL protocol. Our key insight is that the success of every known MIA is fundamentally bounded by the local batch size relative to the model's leakage capacity; once this limit is exceeded, distinct samples collide and reconstructions collapse into indistinguishable mixtures. Aegis turns this universal bottleneck into a defense: each client superimposes onto its real update a masking gradient computed on locally synthesized, task-relevant data, deliberately pushing the effective batch beyond the attack's recovery capacity. We complement the design with theoretical convergence guarantees under standard convex assumptions and evaluate Aegis on MNIST, CIFAR-10, and three MedMNIST modalities (chest X-ray, abdominal CT, colon pathology). Aegis neutralizes three state-of-the-art MIAs while preserving model utility and incurring only modest overhead, offering a practical privacy primitive for medical FL.
• Abstract（参考訳）: 統合学習(FL)は、多施設医療AIの基礎パラダイムとなり、病院や研究センターが患者の記録を交換することなく、共同で診断モデルを訓練することができるようになった。 しかし、このプライバシの約束はますます異議を申し立てている。悪意のある、しかし正直なサーバーは、共有モデルのアップデートから直接プライベートな患者イメージを再構築するモデル逆転攻撃(MIA)を起動し、最近のスケーラブルでクローズドな攻撃は、臨床的に現実的なバッチサイズで安全なアグリゲーションを浸透させる。 既存の防衛は不満足なジレンマに直面します。 ディファレンシャルプライバシやプルーニングといったゆるやかな摂動法は、臨床信頼性が依存する診断精度を排除しますが、暗号プロトコルはシステムの複雑さを増す一方で、これらのスケーラブルな攻撃に対してアップデートを公開します。 本稿では,患者データやFLプロトコルの変更を伴わずに,このジレンマを突破するクライアント側防御の原則であるAegisを提案する。 我々の重要な洞察は、すべての既知のMIAの成功は、基本的にモデルの漏洩容量に対して局所的なバッチサイズによって拘束されているということだ。 各クライアントは、ローカルに合成されたタスク関連データに基づいて計算されたマスキング勾配を実際の更新に重畳し、効果的なバッチを攻撃のリカバリ能力を超えて意図的にプッシュする。 MNIST, CIFAR-10, および3つのMedMNISTモダリティ(胸部X線, 腹部CT, 大腸病理)について, 標準凸条件下での理論的収束性保証を用いて設計を補完する。 Aegisは、3つの最先端MIAを中和し、モデルユーティリティを保ち、わずかにオーバーヘッドを発生させ、医療FLの実用的なプライバシプリミティブを提供する。

関連論文リスト

• High-Capacity Robust Medical Image Exfiltration via Neural Network Weight Replacement [4.613829141527782]
  共同医療AIプラットフォームは、研究者がデータエクスポートを制限しながら、機密画像データでモデルをトレーニングすることを可能にする。 医療画像はモデルパラメータ内にエンコードされ、安全な環境の外で再構成される。 医用画像を連続的な潜伏表現としてエンコードする高容量神経ステガノグラフィーアタックを導入する。
  論文  参考訳（メタデータ） (2026-09-22T08:24:10Z)
• 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)
• Zero-Knowledge Federated Learning with Lattice-Based Hybrid Encryption for Quantum-Resilient Medical AI [0.0]
  Federated Learning (FL)は、患者データを集中することなく、病院全体で医療AIモデルの協調トレーニングを可能にする。 グラデーション・インバージョン・アタックは患者の情報を再構築し、ビザンチンのクライアントはグローバルモデルに毒を塗布し、emphHarvest Now, Decrypt Later(HNDL)の脅威は、今日の暗号化トラフィックを将来の量子敵に脆弱にしている。 EmphZeroKnowledge Federated Learning, Post-Quantumは、(i) ML-KEMを量子耐性キーカプセル化のためにハイブリダイズした3層暗号プロトコルで、(ii) 格子ベースのZero-Knowledge Proofsを検証可能なemph用に導入する。
  論文  参考訳（メタデータ） (2026-03-03T12:43:44Z)
• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• 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)
• MedFedPure: A Medical Federated Framework with MAE-based Detection and Diffusion Purification for Inference-Time Attacks [1.3069778058355659]
  敵対的攻撃は、人間の目に見えない方法で医療スキャンを微妙に変更できるが、AIモデルを誤解させるには十分強力だ。 我々は、プライバシや精度を損なうことなく、推論時に診断AIモデルを保護するように設計された、パーソナライズされた学習防衛フレームワークであるMedFedPureを紹介する。
  論文  参考訳（メタデータ） (2025-11-07T08:48:03Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• DISBELIEVE: Distance Between Client Models is Very Essential for Effective Local Model Poisoning Attacks [44.27262998462829]
  フェデレーション学習は、患者の機密データを共有することに関連するプライバシー問題に取り組むための有望な方向である。 本稿では,悪質なパラメータや勾配を生成するローカルモデル中毒攻撃であるdisBELIEVEを紹介する。 3つの公開医療画像データセットの実験は、提案されたdisBELIEVE攻撃の有効性を実証している。
  論文  参考訳（メタデータ） (2023-08-14T18:09:58Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)

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。