MAPress
ترجمه فارسی مقاله پیمایش در معامله حریم خصوصی-دقت: تجزیه و تحلیل فدرال بقا با حریم خصوصی باینینگ و تفاضلی

ترجمه فارسی مقاله پیمایش در معامله حریم خصوصی-دقت: تجزیه و تحلیل فدرال بقا با حریم خصوصی باینینگ و تفاضلی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Navigating the Privacy-Accuracy Tradeoff: Federated Survival Analysis with Binning and Differential Privacy
عنوان مقاله به فارسی پیمایش در معامله حریم خصوصی-دقت: تجزیه و تحلیل فدرال بقا با حریم خصوصی باینینگ و تفاضلی
نویسندگان ProfileVarsha Gouthamchand, ProfileJohan van Soest, ProfileGiovanni Arcuri, ProfileAndre Dekker, ProfileAndrea Damiani, ProfileLeonard Wee
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Health Informatics انفورماتیک سلامتی

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Federated learning (FL) offers a decentralized approach to model training, allowing for data-driven insights while safeguarding patient privacy across institutions. In the Personal Health Train (PHT) paradigm, it is local model gradients from each institution, aggregated over a sample size of its own patients that are transmitted to a central server to be globally merged, rather than transmitting the patient data itself. However, certain attacks on a PHT infrastructure may risk compromising sensitive data. This study delves into the privacy-accuracy tradeoff in federated Cox Proportional Hazards (CoxPH) models for survival analysis by assessing two Privacy-Enhancing Techniques (PETs) added on top of the PHT approach. In one, we implemented a Discretized Cox model by grouping event times into finite bins to hide individual time-to-event data points. In another, we explored Local Differential Privacy by introducing noise to local model gradients. Our results demonstrate that both strategies can effectively mitigate privacy risks without significantly compromising numerical accuracy, reflected in only small variations of hazard ratios and cumulative baseline hazard curves. Our findings highlight the potential for enhancing privacy-preserving survival analysis within a PHT implementation and suggest practical solutions for multi-institutional research while mitigating the risk of re-identification attacks.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) یک رویکرد غیرمتمرکز برای آموزش مدل ارائه می دهد ، و در عین حال از حفظ حریم خصوصی بیمار در بین موسسات ، بینش های داده محور را امکان پذیر می کند.در پارادایم قطار بهداشت شخصی (PHT) ، این شیب مدل محلی از هر موسسه است که از اندازه نمونه بیماران خود که به یک سرور مرکزی منتقل می شوند ، جمع می شوند تا در سطح جهان ادغام شوند ، نه اینکه خود داده های بیمار را منتقل کنند.با این حال ، حملات خاص به زیرساخت PHT ممکن است داده های حساس را به خطر بیاندازد.این مطالعه با ارزیابی دو تکنیک تقویت حریم خصوصی (حیوانات خانگی) که در بالای رویکرد PHT اضافه شده است ، به تجارت حریم خصوصی در خطرات متناسب COX (COXPH) برای تجزیه و تحلیل بقا می پردازد.در یک ، ما یک مدل COX گسسته شده را با گروه بندی زمان رویداد در سطل های محدود برای مخفی کردن نقاط داده های زمان به رویداد ، پیاده سازی کردیم.در دیگری ، ما با معرفی سر و صدا به شیب های مدل محلی ، حریم خصوصی دیفرانسیل محلی را مورد بررسی قرار دادیم.نتایج ما نشان می دهد که هر دو استراتژی می توانند به طور موثری خطرات حریم خصوصی را بدون به خطر انداختن دقت عددی کاهش دهند ، که تنها در تغییرات کوچک نسبت های خطر و منحنی های خطر ابتدایی تجمعی منعکس می شود.یافته های ما پتانسیل تقویت تجزیه و تحلیل بقاء حفظ حریم خصوصی را در یک اجرای PHT برجسته می کند و راه حل های عملی را برای تحقیقات چند نهاد در حالی که خطر حملات شناسایی مجدد را کاهش می دهد ، پیشنهاد می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.