联合学习和差异隐私:用于生物医学图像数据分类的机器学习和深度学习
Sobia Wassan1, Liudajun1, Han Ying1
1School of Equipment Engineering, Jiangsu Urban and Rural Construction Vocational College, Changzhou, China.
Digital health
|September 15, 2025
概括
具有差异隐私的联合学习有效地对生物医学图像进行分类,提高了患者的保密性,而不会牺牲模型的准确性. 这种方法支持医疗诊断中的安全机器学习.
科学领域:
- 生物医学图像分析
- 机器学习 机器学习
- 数据隐私 数据隐私
背景情况:
- 医疗保健数据隐私对于患者保密和准确的预测建模至关重要.
- 越来越多的隐私问题需要保护数据而不影响模型性能的方法.
研究的目的:
- 评估生物医学图像分类的前神经网络 (FNNs),高斯过程 (GPs) 和多层感知子 (MLPs).
- 将联合学习纳入这些模型中,以加强隐私保护.
主要方法:
- 使用联合学习和差异隐私实现了FNN,GP和MLP模型.
- 基于准确性,相关系数,MAE,RMSE,RAE和RRSE的评估模型.
主要成果:
- 深度神经网络 (DNN) 模型表现出卓越的性能,相关系数为0.9980,MAE为36.80,RMSE为51.01.
- 联合学习成功地改善了隐私,同时在评估的指标上保持了强大的模型性能.
结论:
- 联合学习与差异隐私相结合,为安全的生物医学图像分类提供了可行的解决方案.
- 这种保护隐私的机器学习方法支持医疗诊断,而不会降低性能.
