May, 2024

PriCE: 面向混合云的大规模医学图像处理工作流程隐私保护和成本有效调度

PDF
TL;DR通过提出一种称为 PriCE 的新型隐私保护与成本效益方法，本研究解决了医学图像处理任务外包到混合云的隐私问题，同时降低了执行时间和成本，提高了用户预算下的输出效用。
发现论文，激发创造
  • 医疗数据隐私保护的分布式深度学习

    本研究介绍了一种在分布式情况下使用差分隐私训练临床数据神经网络的方法，并在 eICU 协作研究数据库和 The Cancer Genome Atlas 上进行了验证。

    Dec, 2018

  • 云端神经网络训练中的保密性保护

    Tempo 是首个与 TEE 和分布式 GPU 合作的基于云的深度学习系统，通过引入以排列为基础的隐匿算法以盲化输入和模型参数，并提出了一种优化机制来减少加密操作，从而在保护模型隐私的同时加速了深度神经网络的训练，实验证明 Tempo 优于基准方法并提供足够的隐私保护。

    Jan, 2024

  • 使用卷积神经网络的隐私 - 保护入侵检测

    使用 PriMIA 框架，本文在基于卷积神经网络的攻击检测系统上增强了隐私保护技术，以解决隐私保存和数据安全的问题。

    Apr, 2024

  • 移动用户云端隐私保护人脸检索

    本文提出一种云端隐私保护人脸检索方案，保护移动用户的照片和人脸检测器，并成功测试了该方案。

    Aug, 2017

  • 一个混合深度学习架构用于隐私保护移动分析

    本篇论文提出了一种用于合作、隐私保护分析的深度神经网络混合方法，使用边缘处理的思想，在保持效益的同时，有效减少了不必要、潜在敏感信息的级别。利用 Siamese 微调技术，可以确保用户设备只带有主任务所需的必要信息，并防止数据的二次推断。

    Mar, 2017

  • 隐私感知的深度神经网络卸载

    本文提出了一种数据混淆技术，通过将数据混淆后再发送到云端计算节点，以绕过资源约束设备上使用深度神经网络时所面临的困难，并解决了数据隐私泄露的问题。

    May, 2018

  • 高效处理和传输的医学影像表达在多站点云中的应用

    本文提出一种基于多重数据结构的医学图像格式表示方法，它在医学图像中保留额外的元数据信息，并使用多层神经网络定义了自己的本体论来帮助分类医学图像中的对象。此外，研究人员还在云端使用 MapReduce 范例来改善数据处理速度，同时提出了一种基于去重的数据压缩方法以优化数据传输，该方案在多站点云环境中测试得到了验证。

    Apr, 2023

  • 隐私保护图像配准

    该研究旨在解决在隐私约束下，医学图像注册问题。推导了一个基于先进的密码学工具的隐私保护图像注册框架，即在不泄露基础数据的情况下执行操作。使用梯度逼近和打包技术来优化该框架以提高性能和可伸缩性。通过线性和非线性注册问题来展示该框架的准确性和可伸缩性，并证明了隐私保护图像注册是可行的。

    May, 2022

  • 多源私有数据上的高效深度学习

    Myelin 是一种深度学习框架，它结合了安全和隐私保护原则，使用可信硬件区域和差分隐私等技术以实现完全私密的机器学习模型训练。

    Jul, 2018

  • 无法察觉的人类图像，可被机器识别

    本文提出了一种有效的隐私保护学习范式，通过对图像进行加密以实现人类不可察觉机器可识别，将这一方法应用于图像分类和目标检测，在 ImageNet 和 COCO 数据集上实验结果表明，这种方法可以实现与现有方法相当的准确性且能够确保加密图像的隐私安全。

    Jun, 2023