DP-DCAN：用于单细胞聚类的差分隐私深度对比自编码器网络
机器学习
2024-05-14 v2 人工智能
基因组学
摘要
单细胞 RNA 测序（scRNA-seq）对基因表达的转录组分析十分重要。近来，深度学习促进了高维单细胞数据的分析。遗憾的是，深度学习模型可能泄露用户的敏感信息。因此，差分隐私（DP）正越来越多地用于保护隐私。然而，现有 DP 方法通常扰动整个神经网络以实现差分隐私，从而导致巨大的性能开销。为应对这一挑战，本文利用自编码器的独特性——其仅输出网络中间降维后的向量，设计了差分隐私深度对比自编码器网络（DP-DCAN），通过部分网络扰动用于单细胞聚类。由于仅对部分网络加噪，性能提升明显且具双重性：一部分网络因更大的隐私预算而以更小噪声训练，另一部分网络则无任何噪声训练。六个数据集的实验结果验证了 DP-DCAN 优于采用整个网络扰动的传统 DP 方案。此外，DP-DCAN 对对抗攻击表现出强鲁棒性。
引用
@article{arxiv.2311.03410,
title = {DP-DCAN: Differentially Private Deep Contrastive Autoencoder Network for Single-cell Clustering},
author = {Huifa Li and Jie Fu and Zhili Chen and Xiaomin Yang and Haitao Liu and Xinpeng Ling},
journal= {arXiv preprint arXiv:2311.03410},
year = {2024}
}