Bridging the Gap: Differentially Private Equivariant Deep Learning for Medical Image Analysis

要約

差分プライバシー(DP)のような正式なプライバシー保護技術を用いた機械学習は、患者のプライバシー保護を約束しながら、機密性の高い医療画像データから価値ある洞察を導き出すことができるが、通常、プライバシーと有用性のトレードオフが大きい。本研究では、DPを用いた医療画像解析のために、ステアブル等変量畳み込みネットワークを用いることを提案する。本論文では、DPを用いた医用画像解析にステアブル等変量畳み込みネットワークを用いることを提案し、その特徴量とパラメータ効率の向上により、プライバシーとユーティリティのギャップを縮小し、顕著な精度向上を実現する。

要約(オリジナル)

Machine learning with formal privacy-preserving techniques like Differential Privacy (DP) allows one to derive valuable insights from sensitive medical imaging data while promising to protect patient privacy, but it usually comes at a sharp privacy-utility trade-off. In this work, we propose to use steerable equivariant convolutional networks for medical image analysis with DP. Their improved feature quality and parameter efficiency yield remarkable accuracy gains, narrowing the privacy-utility gap.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL