对EEG代表性学习的差异性私有多模式拉普拉斯式退学 (DP-MLD)
Xiaowen Fu1, Bingxin Wang1, Xinzhou Guo1
1Department of Mathematics, The Hong Kong University of Science and Technology, Hong Kong Special Administrative Region of China.
概括
这项研究引入了一种新的隐私保护方法来分析大脑活动数据. 差异化私有多式拉普拉西安脱落 (DP-MLD) 提高了疾病检测的准确性,同时保护了敏感的患者信息.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 多模式脑电图 (EEG) 学习显示出疾病检测的潜力.
- 临床研究中的隐私问题需要强有力的保护方法,如差异隐私 (DP).
- 对于复杂的多模式EEG数据,DP尚未得到广泛应用.
研究的目的:
- 为维护隐私的多式EEG学习提出一个新的差异私有多式拉普拉斯脱落 (DP-MLD) 方案.
- 开发一种多式模式的代表性学习模型,将语言模型和视觉转换器与交叉注意力集成在一起.
- 引入一个自适应的功能级拉普拉斯式脱落,以实现动态隐私预算优化.
主要方法:
- 用于EEG数据 (文本) 的语言模型和用于其他模式 (图像) 的视觉变压器.
- 实施交叉注意力机制,以有效地提取和集成特征.
- 在隐私预算内设计了一个自适应的功能级拉普拉斯式脱落,用于在隐私预算内动态随机分配.
主要成果:
- 在对帕金森病 (PD) 的Freezing of Gait (FoG) 数据集的分类准确度中取得了大约4%的改进.
- 在差异隐私下,在多式联络EEG学习中展示了最先进的性能.
- 在一个开源多式联络数据集上验证了DP-MLD方案的有效性.
结论:
- 拟议的DP-MLD方案有效地平衡了多式联网EEG分析中的隐私保护和性能.
- 这种方法为使用复杂的神经成像数据进行隐私保护的疾病检测提供了有希望的解决方案.
- DP-MLD在多模式临床数据的安全和准确分析领域取得了进展.
