論文の概要: Towards Compliant Data Management Systems for Healthcare ML
- arxiv url: http://arxiv.org/abs/2011.07555v1
- Date: Sun, 15 Nov 2020 15:27:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 01:40:21.206470
- Title: Towards Compliant Data Management Systems for Healthcare ML
- Title（参考訳）: 医療MLのためのコンプライアンスデータ管理システムを目指して
- Authors: Goutham Ramakrishnan, Aditya Nori, Hannah Murfet, Pashmina Cameron
- Abstract要約: 我々は、ソースからストレージまで、ヘルスケアにおける機械学習プロジェクト内のデータフローがどのようにトレーニングアルゴリズムなどに使われるのかをレビューする。
私たちの目標は、プロジェクトのライフサイクル全体にわたって、マシンやユーザ間で機密データを検知し、追跡するツールを設計することにあります。
この領域の難しさを示すソリューションのプロトタイプを構築します。
- 参考スコア（独自算出の注目度）: 6.057289837472806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing popularity of machine learning approaches and the rising
awareness of data protection and data privacy presents an opportunity to build
truly secure and trustworthy healthcare systems. Regulations such as GDPR and
HIPAA present broad guidelines and frameworks, but the implementation can
present technical challenges. Compliant data management systems require
enforcement of a number of technical and administrative safeguards. While
policies can be set for both safeguards there is limited availability to
understand compliance in real time. Increasingly, machine learning
practitioners are becoming aware of the importance of keeping track of
sensitive data. With sensitivity over personally identifiable, health or
commercially sensitive information there would be value in understanding
assessment of the flow of data in a more dynamic fashion. We review how data
flows within machine learning projects in healthcare from source to storage to
use in training algorithms and beyond. Based on this, we design engineering
specifications and solutions for versioning of data. Our objective is to design
tools to detect and track sensitive data across machines and users across the
life cycle of a project, prioritizing efficiency, consistency and ease of use.
We build a prototype of the solution that demonstrates the difficulties in this
domain. Together, these represent first efforts towards building a compliant
data management system for healthcare machine learning projects.
- Abstract（参考訳）: マシンラーニングアプローチの人気が高まり、データ保護とデータのプライバシに対する意識が高まり、真に安全で信頼できる医療システムを構築する機会が生まれる。
GDPRやHIPAAなどの規制は幅広いガイドラインやフレームワークを提示するが、実装は技術的な課題を提示することができる。
準拠したデータ管理システムには、多くの技術および管理上の保護措置が要求される。
ポリシーは両方のセーフガードに設定できるが、コンプライアンスをリアルタイムで理解するための可用性は限られている。
ますます、機械学習の実践者たちは、センシティブなデータの追跡の重要性を認識し始めている。
個人を識別し、健康や商業に敏感な情報よりも敏感な場合には、よりダイナミックな方法でデータのフローを評価することに価値があるだろう。
我々は、医療における機械学習プロジェクト内のデータの流れを、ソースからストレージまで、トレーニングアルゴリズムなどに用いる方法についてレビューする。
これに基づいて、データのバージョニングのためのエンジニアリング仕様とソリューションを設計する。
私たちの目標は、プロジェクトのライフサイクル全体にわたって、マシンとユーザ間の機密データを検出および追跡し、効率性、一貫性、使いやすさを優先するツールを設計することです。
私たちは、このドメインの難しさを示すソリューションのプロトタイプを構築します。
これらは共に、医療機械学習プロジェクトのためのコンプライアンスデータ管理システムを構築するための最初の取り組みである。
関連論文リスト
- A Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers [37.285731240749904]
本稿では,FLプロセスの構成,監視,管理を支援するための新しいFLプラットフォームを提案する。
臨床環境に固有の生産感度を考慮し,提案するFLアーキテクチャの安全性を強調した。
このプラットフォームは、公開データセットを使用して、さまざまな運用環境でのテストに成功している。
論文 参考訳（メタデータ） (2024-10-02T09:24:05Z) - Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。
提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
論文 参考訳（メタデータ） (2024-05-09T08:15:31Z) - Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems [1.8434042562191815]
インターネット・オブ・メディカル・モノ(IoMT)は、従来の医療境界を超越し、反応性治療から予防への転換を可能にする。
その利点は、処理されたデータの感度と価値のために、ユーザの生活を危険にさらす、重大なセキュリティ上の課題に対処されている。
新しいIDS(Intrusion Detection Systems)フレームワークを導入し、ANN(Artificial Neural Networks)を侵入検知に利用し、FL(Federated Learning)をプライバシ保護に活用する。
論文 参考訳（メタデータ） (2024-03-14T11:57:26Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳（メタデータ） (2023-07-29T12:54:03Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳（メタデータ） (2023-07-10T04:30:23Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Information Governance as a Socio-Technical Process in the Development
of Trustworthy Healthcare AI [0.0]
情報ガバナンス(IG)プロセスは、個人機密データの使用を管理する。
データ共有の法的な基礎は、患者のケアを提供するためにのみ明確である。
IGの作業は設計ライフサイクルの初期段階で開始され,今後も継続される可能性が高い。
論文 参考訳（メタデータ） (2023-01-04T10:21:46Z) - Bringing the Algorithms to the Data -- Secure Distributed Medical
Analytics using the Personal Health Train (PHT-meDIC) [1.451998131020241]
パーソナルヘルストレイン(PHT)パラダイムは、"データへのアルゴリズム"パラダイムを実装している。
本稿では,PHT概念のオープンソース実装であるPHT-meDICを提案する。
論文 参考訳（メタデータ） (2022-12-07T06:29:15Z) - Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。
FLと関連する技術は、しばしばプライバシー保護と表現される。
この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
論文 参考訳（メタデータ） (2021-12-21T08:44:05Z) - Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks,
and Defenses [150.64470864162556]
この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。
様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
論文 参考訳（メタデータ） (2020-12-18T22:38:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。