ترجمه فارسی مقاله مجموعه داده‌های حفظ حریم خصوصی با ثبت توزیع ویژگی‌ها با VAEهای شرطی

چکیده

Large and well-annotated datasets are essential for advancing deep learning applications, however often costly or impossible to obtain by a single entity. In many areas, including the medical domain, approaches relying on data sharing have become critical to address those challenges. While effective in increasing dataset size and diversity, data sharing raises significant privacy concerns. Commonly employed anonymization methods based on the k-anonymity paradigm often fail to preserve data diversity, affecting model robustness. This work introduces a novel approach using Conditional Variational Autoencoders (CVAEs) trained on feature vectors extracted from large pre-trained vision foundation models. Foundation models effectively detect and represent complex patterns across diverse domains, allowing the CVAE to faithfully capture the embedding space of a given data distribution to generate (sample) a diverse, privacy-respecting, and potentially unbounded set of synthetic feature vectors. Our method notably outperforms traditional approaches in both medical and natural image domains, exhibiting greater dataset diversity and higher robustness against perturbations while preserving sample privacy. These results underscore the potential of generative models to significantly impact deep learning applications in data-scarce and privacy-sensitive environments. The source code is available at https://github.com/francescodisalvo05/cvae-anonymization .

چکیده به فارسی (ترجمه ماشینی)

مجموعه داده های بزرگ و خوب برای پیشبرد برنامه های یادگیری عمیق ضروری است ، اما به دست آوردن یک موجود واحد غالباً پرهزینه یا غیرممکن است.در بسیاری از زمینه ها ، از جمله حوزه پزشکی ، رویکردهای متکی به به اشتراک گذاری داده ها برای رسیدگی به این چالش ها بسیار مهم هستند.در حالی که در افزایش اندازه و تنوع مجموعه داده ها مؤثر است ، به اشتراک گذاری داده ها نگرانی های قابل توجهی در حریم خصوصی ایجاد می کند.روشهای ناشناس سازی معمولاً بر اساس الگوی ناشناس بودن K اغلب در حفظ تنوع داده ها ناکام هستند و بر استحکام مدل تأثیر می گذارد.این کار با استفاده از خودروهای متغیر مشروط (CVAEs) که روی بردارهای ویژگی استخراج شده از مدلهای بنیاد بینایی از قبل آموزش دیده آموزش داده شده اند ، یک رویکرد جدید را معرفی می کند.مدلهای پایه به طور موثری الگوهای پیچیده را در حوزه های متنوع تشخیص داده و نشان می دهند ، و به CVAE اجازه می دهد تا با وفاداری فضای تعبیه یک توزیع داده های معین را برای تولید (نمونه) یک مجموعه متنوع ، احترام به حریم خصوصی و بالقوه بی حد و حصر از بردارهای ویژگی مصنوعی ضبط کند.روش ما به ویژه از رویکردهای سنتی در حوزه های تصویر پزشکی و طبیعی بهتر عمل می کند و ضمن حفظ حریم خصوصی نمونه ، تنوع مجموعه داده های بیشتری و استحکام بالاتر در برابر آشفتگی ها را نشان می دهد.این نتایج بر پتانسیل مدلهای تولیدی تأکید می کند تا به طور قابل توجهی برنامه های یادگیری عمیق در محیط های داده و حساس به حریم خصوصی تأثیر بگذارد.کد منبع در https://github.com/francescodisalvo05/cvae-anonymization در دسترس است.