Buchumschlag

Publishing Neural Networks in Drug Discovery Might Compromise Training Data Privacy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Krüger, Fabian P., Östman, Johan, Mervin, Lewis, Tetko, Igor V., Engkvist, Ola
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Provable Privacy Attacks on Trained Shallow Neural Networks
von: Smorodinsky, Guy, et al.
Veröffentlicht: (2024)

Privacy-Preserving 3-Layer Neural Network Training
von: Chiang, John
Veröffentlicht: (2023)

Practical Bayes-Optimal Membership Inference Attacks
von: Lassila, Marcus, et al.
Veröffentlicht: (2025)

Secure Aggregation is Not Private Against Membership Inference Attacks
von: Ngo, Khac-Hoang, et al.
Veröffentlicht: (2024)

DP-Dueling: Learning from Preference Feedback without Compromising User Privacy
von: Saha, Aadirupa, et al.
Veröffentlicht: (2024)

Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models
von: Friesacher, Hannah Rosa, et al.
Veröffentlicht: (2024)

Training Data Reconstruction: Privacy due to Uncertainty?
von: Runkel, Christina, et al.
Veröffentlicht: (2024)

Does Training with Synthetic Data Truly Protect Privacy?
von: Zhao, Yunpeng, et al.
Veröffentlicht: (2025)

FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation
von: Xhemrishi, Marvin, et al.
Veröffentlicht: (2023)

Modeling Neural Networks with Privacy Using Neural Stochastic Differential Equations
von: Hong, Sanghyun, et al.
Veröffentlicht: (2025)

Preserving Node-level Privacy in Graph Neural Networks
von: Xiang, Zihang, et al.
Veröffentlicht: (2023)

Privacy-Preserving Verifiable Neural Network Inference Service
von: Riasi, Arman, et al.
Veröffentlicht: (2024)

Practical Feasibility of Gradient Inversion Attacks in Federated Learning
von: Valadi, Viktor, et al.
Veröffentlicht: (2025)

Functional Encryption in Secure Neural Network Training: Data Leakage and Practical Mitigations
von: Ioniţă, Alexandru, et al.
Veröffentlicht: (2025)

Detection of Compromised Functions in a Serverless Cloud Environment
von: Lavi, Danielle, et al.
Veröffentlicht: (2024)

DPAR: Decoupled Graph Neural Networks with Node-Level Differential Privacy
von: Zhang, Qiuchen, et al.
Veröffentlicht: (2022)

Local Differential Privacy in Graph Neural Networks: a Reconstruction Approach
von: Bhaila, Karuna, et al.
Veröffentlicht: (2023)

Can Graph Neural Networks Expose Training Data Properties? An Efficient Risk Assessment Approach
von: Yuan, Hanyang, et al.
Veröffentlicht: (2024)

Fake or Compromised? Making Sense of Malicious Clients in Federated Learning
von: Mozaffari, Hamid, et al.
Veröffentlicht: (2024)

On the Evaluation of User Privacy in Deep Neural Networks using Timing Side Channel
von: Shukla, Shubhi, et al.
Veröffentlicht: (2022)

Stealing Training Graphs from Graph Neural Networks
von: Lin, Minhua, et al.
Veröffentlicht: (2024)

Detecting Compromised IoT Devices Using Autoencoders with Sequential Hypothesis Testing
von: Mainuddin, Md, et al.
Veröffentlicht: (2024)

Breaking Agents: Compromising Autonomous LLM Agents Through Malfunction Amplification
von: Zhang, Boyang, et al.
Veröffentlicht: (2024)

Degree-Preserving Randomized Response for Graph Neural Networks under Local Differential Privacy
von: Hidano, Seira, et al.
Veröffentlicht: (2022)

A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability
von: Dai, Enyan, et al.
Veröffentlicht: (2022)

Enhancing Uncertainty Quantification in Drug Discovery with Censored Regression Labels
von: Svensson, Emma, et al.
Veröffentlicht: (2024)

PrivDiffuser: Privacy-Guided Diffusion Model for Data Obfuscation in Sensor Networks
von: Yang, Xin, et al.
Veröffentlicht: (2024)

Generate-then-Verify: Reconstructing Data from Limited Published Statistics
von: Liu, Terrance, et al.
Veröffentlicht: (2025)

Tempo: Confidentiality Preservation in Cloud-Based Neural Network Training
von: Xu, Rongwu, et al.
Veröffentlicht: (2024)

Indiscriminate Data Poisoning Attacks on Neural Networks
von: Lu, Yiwei, et al.
Veröffentlicht: (2022)

Click Without Compromise: Online Advertising Measurement via Per User Differential Privacy
von: Xiao, Yingtai, et al.
Veröffentlicht: (2024)

Diverse Community Data for Benchmarking Data Privacy Algorithms
von: Sen, Aniruddha, et al.
Veröffentlicht: (2023)

Decoupling Generalizability and Membership Privacy Risks in Neural Networks
von: Fang, Xingli, et al.
Veröffentlicht: (2026)

Towards Deep Encrypted Training: Low-Latency, Memory-Efficient, and High-Throughput Inference for Privacy-Preserving Neural Networks
von: Njungle, Nges Brian, et al.
Veröffentlicht: (2026)

Data Privacy Preservation on the Internet of Things
von: Sen, Jaydip, et al.
Veröffentlicht: (2023)

Managing Correlations in Data and Privacy Demand
von: Chaudhuri, Syomantak, et al.
Veröffentlicht: (2025)

Compromising Embodied Agents with Contextual Backdoor Attacks
von: Liu, Aishan, et al.
Veröffentlicht: (2024)

Understanding the Impact of Data Domain Extraction on Synthetic Data Privacy
von: Ganev, Georgi, et al.
Veröffentlicht: (2025)

Label Privacy in Split Learning for Large Models with Parameter-Efficient Training
von: Zmushko, Philip, et al.
Veröffentlicht: (2024)

Privacy without Noisy Gradients: Slicing Mechanism for Generative Model Training
von: Greenewald, Kristjan, et al.
Veröffentlicht: (2024)