差分隐私多模态拉普拉斯 Dropout (DP-MLD) 用于 EEG 表示学习
信号处理
2024-09-23 v1 人工智能
密码学与安全
机器学习
摘要
最近，多模态脑电图（EEG）学习在疾病检测方面显示出巨大的前景。同时，由于法律和伦理顾虑，确保临床研究中的隐私问题日益重要。差分隐私（DP）因其清晰的解释和易于实现而成为隐私保护的广泛采用的方案。尽管已提出了许多方法，但由于模型和所考察的信号数据复杂，针对多模态 EEG 数据的差分隐私研究仍不充分。本文提出了一种名为差分隐私多模态拉普拉斯 Dropout（DP-MLD）的新方案，用于多模态 EEG 学习。该方法提出了一种新型的多模态表示学习模型，通过语言模型处理文本形式的 EEG 数据，通过视觉 Transformer 处理图像形式的其他模态数据， Incorporate 设计良好的跨注意力机制，以有效提取和集成跨模态特征。为实现差分隐私，我们设计了一种新的自适应特征级拉普拉斯 Dropout 方案，在给定隐私预算内，动态优化随机分配和性能。在针对帕金森氏病（PD）中 Freezing of Gait（FroG）开源多模态数据集的实验中，我们的方法在分类准确率上约提高了 4%，在差分隐私条件下的多模态 EEG 学习中实现了最先进的性能。
关键词
引用
@article{arxiv.2409.13440,
title = {Differentially Private Multimodal Laplacian Dropout (DP-MLD) for EEG Representative Learning},
author = {Xiaowen Fu and Bingxin Wang and Xinzhou Guo and Guoqing Liu and Yang Xiang},
journal= {arXiv preprint arXiv:2409.13440},
year = {2024}
}