医学图像分析的差分隐私表示几何学
计算机视觉与模式识别
2026-04-20 v2 人工智能
机器学习
摘要
差分隐私在医学成像中的作用通常仅通过端到端性能进行评估，隐私引起的效用损失机制仍不清晰。我们提出差分隐私表示几何学用于医学成像框架（Differential Privacy Representation Geometry for Medical Imaging, DP-RGMI），将 DP 解释为表示空间的结构化变换，并将性能退化分解为编码器几何与任务头利用率。几何学通过表示相对于初始化位置的位移和谱有效维数来量化，而利用率则测量线性探测与端到端效用的差距。在超过 594,000 张胸部 X 光图像和多个预训练初始化配置上，我们展示，即使线性可分性基本保持，DP 仍伴随显著的利用率差距。同时，位移和谱维数呈现非单调、依赖初始化和数据集的重塑，表明 DP 改变了表示各向异性，而非均匀压缩特征。相关性分析表明，端到端性能与利用率之间的关联在数据集间稳健，但可因初始化而异，而几何量捕获了额外的先验和数据集条件化变异。这些发现将 DP-RGMI 定位为诊断隐私引起故障模式并指导隐私模型选择的可复现框架。
引用
@article{arxiv.2603.01098,
title = {Differential privacy representation geometry for medical image analysis},
author = {Soroosh Tayebi Arasteh and Marziyeh Mohammadi and Sven Nebelung and Daniel Truhn},
journal= {arXiv preprint arXiv:2603.01098},
year = {2026}
}