รักษาความปลอดภัยท่อส่งข้อมูลปัญญาประดิษฐ์ทางคลินิก: จากการรับเข้า DICOM สู่การอนุมานโมเดล
[03 ตอน]งานเขียนเชิงเทคนิค 3 ส่วนที่วิเคราะห์เวกเตอร์ภัยคุกคามแบบครบวงจรในการใช้งานปัญญาประดิษฐ์ในโรงพยาบาล: ปกป้องโมเดลวิสัยทัศน์เชิงปริมาตร 3 มิติจากการรบกวนแบบปรปักษ์ จำกัดสิทธิ์รันไทม์การอนุมานที่ไม่เชื่อถือด้วย eBPF และป้องกันการรั่วไหลของ Gradient ในการฝึกแบบกระจายศูนย์
ความทนทานต่อการโจมตีแบบปรปักษ์ในการถ่ายภาพทางการแพทย์ 3 มิติ: ปกป้อง Vision Transformer จากการรบกวนที่ตรวจไม่พบ
โมเดลแบ่งส่วนภาพ 3D Swin-UNETR เชิงปริมาตรทำคะแนน Dice ระดับแพทย์ผู้เชี่ยวชาญบนภาพ MRI สมองแบบมัลติมอดัล ทว่ายังเปราะบางภายใต้การรบกวน L-infinity ที่ต่ำกว่าสัญญาณรบกวนความร้อนของเซนเซอร์ เราอนุมานความสนใจเชิงปริมาตรที่ถูกจำกัดด้วยค่าคงตัวลิปชิตซ์ และประเมินขอบเขตการปรับให้เรียบแบบมีใบรับรอง
การจำกัดสิทธิ์ที่ปลอดภัยต่อหน่วยความจำและการตรวจสอบรันไทม์ด้วย eBPF สำหรับการประมวลผลปัญญาประดิษฐ์และเอเจนต์ที่ไม่เชื่อถือ
ท่อส่งข้อมูลปัญญาประดิษฐ์ทางคลินิกและเอเจนต์รักษาความปลอดภัยอัตโนมัติมักแยกวิเคราะห์รูปแบบไบนารีที่ไม่เชื่อถือ (DICOM, NIfTI, ONNX, safetensors) และเรียกใช้ไลบรารีเนทีฟ C/C++ เราออกแบบแซนด์บ็อกซ์ Linux แบบ Zero-Trust ที่รวม Rust Landlock LSM เข้ากับการบังคับใช้ผ่าน LSM eBPF ring-buffer
การเรียนรู้แบบกระจายศูนย์ที่รักษาความเป็นส่วนตัวในเครือข่ายโรงพยาบาล: การบรรเทาการโจมตีแบบ Gradient Inversion
การแบ่งปันเกรเดียนต์พารามิเตอร์ดิบในการเรียนรู้แบบกระจายศูนย์ข้ามโรงพยาบาลไม่รับประกันความเป็นส่วนตัวของผู้ป่วย: การทำ Gradient Inversion ด้วยวิธีเชิงออปติไมเซชันสามารถสร้างภาพรังสีทรวงอกและภาพตัดเชิงปริมาตรขึ้นใหม่ได้ เราอนุมานการรับประกัน Rényi Differential Privacy (RDP) ที่แน่น พร้อมการตัดเกรเดียนต์แบบปรับตัว