面向医疗应用的基于核的机器学习算法高效安全私密点乘框架

Dec, 2020

面向医疗应用的基于核的机器学习算法高效安全私密点乘框架

ESCAPED: Efficient Secure and Private Dot Product Framework for Kernel-based Machine Learning Algorithms with Applications in Healthcare

HTML

PDF

Ali Burak Ünal, Mete Akgün, Nico Pfeifer

TL;DRESCAPPED是一种高效安全的点积框架，允许训练核心机器学习算法，同时不牺牲隐私，也不添加噪声。在评估上，相对于现有的最佳方法，我们的框架在执行时间上表现得更好，同时不会影响算法的性能。

Abstract

To train sophisticated machine learning models one usually needs many training samples. Especially in healthcare settings these samples can be very expensive, meaning that one institution alone usually does not h

发现论文，激发创造

差分隐私和机器学习：调查和评论

本文讨论了机器学习和差分隐私之间的相互作用，即隐私保护机器学习算法和基于学习的数据发布机制，探讨了可以通过差分隐私进行学习的内容以及差分隐私算法的损失函数上限。同时提出了一些开放性问题，包括如何整合公共数据，如何处理私人数据集中的缺失数据，以及当观察样本数量任意增大时，是否可以实现差分隐私机器学习算法而无需牺牲相关算法的效用成本。

Dec, 2014

AnomiGAN：用于匿名化私人医疗数据的生成对抗网络

本文提出了一种名为AnomiGAN的框架，该框架使用生成对抗网络来可靠地保护个人医疗数据的隐私，同时保持高预测性能，并展示了其在机器学习中的实用性。

Jan, 2019

CECILIA: 全面安全的机器学习框架

该研究提出了一个安全的三方计算框架CECILIA，它提供了隐私保护的机器学习方法来对敏感数据进行建模。该框架不仅提供了加法和乘法等常见运算，还提供了多路复用器、最高位和模转换等新颖的方法，并成功地实现了精确和完全私有的指数计算，并可扩展到多种设置中。同时，该研究还成功地在结构分类蛋白质的任务上实现了PP推理。

Feb, 2022

医疗隐私保护机器学习：挑战与未来视角

本文综述了隐私保护机器学习在医疗保健领域中的应用，主要关注隐私保护的训练和推断，总结了现有趋势，识别了挑战，并讨论了未来研究方向。研究旨在引导隐私和高效的机器学习模型在医疗保健中的应用，并将研究成果转化为现实应用。

Mar, 2023

采用对抗指纹识别来量化得分生成模型的样本匿名性

本文提出了一种通过设计对抗方法搜索解剖指纹（如医疗设备或皮肤艺术）来估计重现可识别训练图像的概率上限的方法，利用学习到的基于分数的模型估计可能用于一对一复制训练样本的分数函数子空间的概率，结果表明，如果模型没有小心训练，则在采样时会复制侵犯隐私的图像。

Jun, 2023

近似、适应、匿名（3A）：用于机器学习隐私保护训练数据发布的框架

本文提出了一种数据发布框架——3A (Approximate, Adapt, Anonymize)，它能够最大化机器学习的数据效用，同时保持差分隐私与高效性。

Jul, 2023

GuardML: 通过混合同态加密实现高效隐私保护的机器学习服务

以保护隐私和安全的机器学习模型为目标，我们提出了一种基于混合同态加密方案的隐私保护机器学习方法，通过使用混合同态加密构建安全的分类结果学习模型，同时保护输入数据和机器学习模型的隐私。我们通过开发和评估一个基于混合同态加密的隐私保护机器学习应用程序，用于基于敏感心电图数据的心脏疾病分类，证明了我们方法的实际可行性。这种混合同态加密方案的成功整合为相对受限的末端设备上的机器学习提供了一个更安全、更注重隐私的未来展望。

Jan, 2024

野心勃勃：隐私保护神经网络训练的可重复研究

这项工作主要关注机器学习模型的训练阶段，在这个阶段对用户数据的隐私保护至关重要。我们提供了坚实的理论背景，以便更容易理解当前方法及其局限性。此外，我们对最新的模型训练框架进行了详细比较，提供了在标准基准上独特属性和性能的全面对比。我们重现了一些论文的结果，并考察现有作品对开放科学的支持程度，认为我们的工作就提高了关于隐私保护机器学习在理论进展和实际应用之间差距的意识，特别是在开放源代码可用性、可重复性和可用性方面。

Mar, 2024

医学应用中基于多方计算的隐私保护数据填充

本研究利用安全多方计算提出了隐私保存插补方法，以在医疗和保健领域对敏感数据进行保护，并在糖尿病数据集上验证了其正确性和可伸缩性。

May, 2024

针对多源隐私保护的疾病临床图像分类效果提升

本研究解决了医学领域隐私数据保护对数据共享的挑战，影响了医院间高精度辅助诊断模型的集成训练。提出了一种基于数据向量的医学隐私数据训练框架，使各医院能够在不交换私密数据的情况下，通过对预训练模型进行微调和数据向量计算，生成合成权重，从而显著提升模型性能。实验结果证明，该方法能够有效利用分散的私密数据资源，同时保护患者隐私。

Aug, 2024