PulseAugur
中
实时 10:12:23
English(EN) Similarity Weighted Aggregation with Global Differential Privacy for Federated Brain Lesion Segmentation

新的DP-SimAgg框架增强了联邦医学影像分析的隐私保护

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了DP-SimAgg，一个旨在增强医学影像分析隐私保护的新联邦学习框架。该框架结合了相似性加权聚合和服务器端差分隐私，使用L2裁剪和高斯噪声来保护敏感数据。DP-SimAgg在Intel的OpenFL平台上实现，并在脑肿瘤分割数据上进行了测试，在提供强大隐私保证的同时，展现了具有竞争力的性能。 AI

影响 增强了协作式医学AI研究的隐私保护，可能为模型训练提供更安全的数据共享。

排序理由 该条目是一篇学术论文，详细介绍了一种具有隐私保证的联邦学习新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的DP-SimAgg框架增强了联邦医学影像分析的隐私保护

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Muhammad Irfan Khan, Eero Lehtonen, Joni Obradovic, Elina Kontio, Esa Alhoniemi, Suleiman A. Khan, Mojtaba Jafaritadi ·

    Similarity Weighted Aggregation with Global Differential Privacy for Federated Brain Lesion Segmentation

    arXiv:2608.00872v1 Announce Type: cross Abstract: Federated Learning (FL) enables collaborative training of machine learning models across multiple institutions without sharing sensitive data, making it particularly suitable for medical imaging applications. However, heterogeneou…

相关实体

相关话题