PulseAugur
中
实时 10:31:19
English(EN) Privacy Leakage in Federated Learning in Radiology Reports: A Comparative Evaluation of Tokenizer-Driven Privacy Risks

研究发现：放射科报告中的联邦学习带来重大的隐私风险

作者 PulseAugur 编辑部 · [2 个来源] ·

一项发表在arXiv上的新研究评估了在放射科报告背景下联邦学习（FL）相关的隐私风险。研究人员发现，即使使用更大的批次大小和像GPT-2、RadBERT和LLaMA-2这样的领域特定令牌生成器，也可以从模型更新中重建这些报告中的敏感信息。研究表明，令牌生成器的设计显著影响数据泄露的严重程度，这表明像安全聚合和差分隐私这样的保护措施对于满足HIPAA和GDPR等放射科自然语言处理（NLP）的监管要求至关重要。 AI

影响 强调了在用于临床文本分析的AI模型中加强隐私措施的必要性，以符合法规要求。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了对放射科报告联邦学习中隐私风险的比较评估。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

研究发现：放射科报告中的联邦学习带来重大的隐私风险

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Santhosh Parampottupadam, Andres Martinez, Dimitrios Bounias, Sinem Sav, Klaus Maier-Hein, Ralf Floca ·

    放射科报告中的联邦学习隐私泄露：一种面向分词器的隐私风险的比较评估

    arXiv:2607.14205v1 Announce Type: cross Abstract: Federated learning (FL) enables multi-institutional training on clinical text without sharing raw data, but gradient inversion can reconstruct sensitive information from shared model updates. The extent of this leakage for radiolo…

  2. arXiv cs.CL TIER_1 English(EN) · Ralf Floca ·

    放射科报告中的联邦学习隐私泄露：一种面向分词器的隐私风险的比较评估

    Federated learning (FL) enables multi-institutional training on clinical text without sharing raw data, but gradient inversion can reconstruct sensitive information from shared model updates. The extent of this leakage for radiology reports, and the role of tokenizer design, rema…

相关实体

相关话题