预训练领域比训练目标更能决定差分隐私医学影像分析的隐私-效用权衡

The pretraining domain outweighs the training objective in setting the privacy-utility trade-off of differentially private medical image analysis

AI 导读

在 591,884 张胸片、5 个数据集上训练的差分隐私胸片分类器显示，胸片监督预训练在 25 种数据集与隐私设置组合中的 24 种排名第一。以 AUC 衡量，其相较自然图像监督预训练的优势在无隐私时为 2.6%，在最严格隐私预算下为 15.3%；从该起点出发，更换领域带来的提升是更换目标的 2.2 至 3.7 倍。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：差分隐私限制了每张训练图像对医学影像模型的影响程度，但会降低其诊断准确率。预训练权重可减少这种损失。目前尚不清楚预训练目标还是领域对准确率的提升更大。在此，我们从五个起点出发，在来自五个数据集的 591,884 张胸片上，以差分隐私方式训练胸片分类器。我们表明，在胸片上进行监督预训练在 25 种数据集与隐私设置组合中的 24 种里排名第一。以受试者工作特征曲线下面积衡量，其相对于在自然图像上进行监督预训练的领先幅度在无隐私时为 2.6%，在最严格的预算下为 15.3%。从该起点出发，改变领域对该面积的提升是改变目标的 2.2 至 3.7 倍。在胸片上进行隐私预训练在隐私条件下使该面积降低约 5%，但在最严格的预算下优于三个不使用患者数据的起点。在隐私条件下，监督式胸片预训练在表现最差的人口统计子群体中领先。

主题：	计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）
引用为：	arXiv:2601.19618 [cs.CV]
	（或 arXiv:2601.19618v3 [cs.CV] 用于此版本）
	https://doi.org/10.48550/arXiv.2601.19618 arXiv 颁发的 DOI，通过 DataCite

提交历史

来自：Soroosh Tayebi Arasteh [查看电子邮件]
[v1] 2026年1月27日星期二 13:50:43 UTC（1,781 KB）
[v2] 2026年7月22日星期三 19:51:14 UTC（430 KB）
[v3] 2026年10月10日星期六 13:15:01 UTC（474 KB）

来源：arXiv cs.AI · arxiv.org