arXiv · cs.AI· Imen Bajar, H\'eber Hwang Arcolezi, Antoine Boutet, Carole Frindel, Mohamed Maouche·· 6 小时前
研究量化基础模型脑MRI表示中的隐私风险
Quantifying privacy risks in foundation model representations of brain MRI
arXiv:2610.20494v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Imen Bajar, H\'eber Hwang Arcolezi, Antoine Boutet, Carole Frindel, Mohamed Maouche
研究任务与主要进展
研究评估五种冻结的预训练编码器在OASIS-2和MIRIAD脑MRI表示中的隐私风险，发现最高风险表示的秩1患者关联率在MIRIAD达到99%，在OASIS-2超过90%。在攻击者可使用发布嵌入、公开编码器和辅助MRI扫描的条件下，表示仍保留人口属性信息，预测记录性别的平衡准确率分别达到90.9%和95.5%，因此仅将原始脑MRI替换为学习嵌入不足以建立匿名性。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org