DP-DCAN: Differentially Private Deep Contrastive Autoencoder Network for Single-cell Clustering

要約

単一細胞 RNA シーケンス (scRNA-seq) は、遺伝子発現のトランスクリプトーム解析にとって重要です。
最近では、ディープラーニングにより高次元の単一細胞データの解析が容易になりました。
残念ながら、ディープラーニングモデルはユーザーに関する機密情報を漏洩する可能性があります。
その結果、プライバシーを保護するために差分プライバシー (DP) が使用されることが増えています。
ただし、既存の DP 手法は通常、差分プライバシーを達成するためにニューラル ネットワーク全体を混乱させるため、パフォーマンスに大きなオーバーヘッドが生じます。
この課題に対処するために、本論文では、ネットワークの途中で次元削減されたベクトルのみを出力するオートエンコーダの独自性を利用し、部分的なディファレンシャル プライベート ディープ コントラスト オートエンコーダ ネットワーク (DP-DCAN) を設計します。
単一セルクラスタリングのネットワーク摂動。
ネットワークの一部のみにノイズが追加されるため、パフォーマンスが 2 倍向上することは明らかです。ネットワークの 1 つの部分は、より大きなプライバシー バジェットにより少ないノイズでトレーニングされ、もう 1 つの部分はノイズなしでトレーニングされます。
6 つのデータセットの実験結果により、DP-DCAN がネットワーク全体の摂動を伴う従来の DP スキームよりも優れていることが確認されました。
さらに、DP-DCAN は、敵対的な攻撃に対して強力な堅牢性を示します。

要約(オリジナル)

Single-cell RNA sequencing (scRNA-seq) is important to transcriptomic analysis of gene expression. Recently, deep learning has facilitated the analysis of high-dimensional single-cell data. Unfortunately, deep learning models may leak sensitive information about users. As a result, Differential Privacy (DP) is increasingly used to protect privacy. However, existing DP methods usually perturb whole neural networks to achieve differential privacy, and hence result in great performance overheads. To address this challenge, in this paper, we take advantage of the uniqueness of the autoencoder that it outputs only the dimension-reduced vector in the middle of the network, and design a Differentially Private Deep Contrastive Autoencoder Network (DP-DCAN) by partial network perturbation for single-cell clustering. Since only partial network is added with noise, the performance improvement is obvious and twofold: one part of network is trained with less noise due to a bigger privacy budget, and the other part is trained without any noise. Experimental results of six datasets have verified that DP-DCAN is superior to the traditional DP scheme with whole network perturbation. Moreover, DP-DCAN demonstrates strong robustness to adversarial attacks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google