热点事件持续更新

论文量化脑MRI基础模型表征隐私风险

1 篇报道1 个报道来源5 小时前更新

先了解这件事

AI 综述

Imen Bajar 等在 arXiv 论文中评估五种冻结的预训练编码器在 OASIS-2 和 MIRIAD 两个纵向 T1 加权脑 MRI 数据集上的患者隐私风险。在攻击者可访问发布嵌入、对应公开编码器和辅助 MRI 扫描的条件下，作者发现即使编码器训练中没有识别目标，风险最高表征的秩 1 患者关联率在 MIRIAD 上达 99%，在 OASIS-2 上超过 90%。表征仍保留人口属性信息：预测记录性别的平衡准确率在 OASIS-2 为 90.9%，在 MIRIAD 为 95.5%。作者据此得出结论：仅将原始脑 MRI 替换为学习嵌入不足以建立匿名性。以上数字来自论文，基于论文摘要，本站未核验全文。

AI 根据报道生成 · 2 小时前更新

最新进展10月15日 12:00

研究量化基础模型脑MRI表示中的隐私风险

报道时间线

沿着报道，了解事件的不同侧面。

10月15日

12:00
arXiv · cs.AI
研究量化基础模型脑MRI表示中的隐私风险
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。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。