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

要約

Differential Privacy (DP) のような正式なプライバシー保護技術を使用した機械学習を使用すると、患者のプライバシーの保護を約束しながら、機密の医療画像データから貴重な洞察を引き出すことができますが、通常、これにはプライバシーと実用性の大きなトレードオフが伴います。
この研究では、DP による医用画像解析にステアリング可能な等変畳み込みネットワークを使用することを提案します。
機能の品質とパラメータの効率が向上したことで、精度が大幅に向上し、プライバシーとユーティリティのギャップが狭まりました。

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, Google