論文の概要: Privacy-Preserved Blockchain-Federated-Learning for Medical Image
Analysis Towards Multiple Parties
- arxiv url: http://arxiv.org/abs/2104.10903v1
- Date: Thu, 22 Apr 2021 07:32:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-23 13:40:31.558666
- Title: Privacy-Preserved Blockchain-Federated-Learning for Medical Image
Analysis Towards Multiple Parties
- Title(参考訳): プライバシ保護型ブロックチェーンフェデレーションラーニングによる医療画像分析
- Authors: Rajesh Kumar, WenYong Wang, Cheng Yuan, Jay Kumar, Zakria, He Qing,
Ting Yang, Abdullah Aman Khan
- Abstract要約: この記事では、フェデレーション付き学習とブロックチェーンに基づくプライバシ保護フレームワークを設計する。
最初のステップでは、カプセルネットワークを使用してローカルモデルをトレーニングして、COVID-19画像のセグメンテーションと分類を行います。
第2のステップでは、同型暗号方式により局所モデルを確保します。
- 参考スコア(独自算出の注目度): 5.296010468961924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To share the patient\textquoteright s data in the blockchain network can help
to learn the accurate deep learning model for the better prediction of COVID-19
patients. However, privacy (e.g., data leakage) and security (e.g., reliability
or trust of data) concerns are the main challenging task for the health care
centers. To solve this challenging task, this article designs a
privacy-preserving framework based on federated learning and blockchain. In the
first step, we train the local model by using the capsule network for the
segmentation and classification of the COVID-19 images. The segmentation aims
to extract nodules and classification to train the model. In the second step,
we secure the local model through the homomorphic encryption scheme. The
designed scheme encrypts and decrypts the gradients for federated learning.
Moreover, for the decentralization of the model, we design a blockchain-based
federated learning algorithm that can aggregate the gradients and update the
local model. In this way, the proposed encryption scheme achieves the data
provider privacy, and blockchain guarantees the reliability of the shared data.
The experiment results demonstrate the performance of the proposed scheme.
- Abstract(参考訳): ブロックチェーンネットワークで患者の-textquoteright sデータを共有することは、covid-19患者のより良い予測のために、正確なディープラーニングモデルを学ぶのに役立つ。
しかし、プライバシ(データ漏洩など)とセキュリティ(データの信頼性や信頼性など)の懸念は、医療センターにとって大きな課題である。
この課題を解決するため、この記事では、連合学習とブロックチェーンに基づくプライバシー保護フレームワークをデザインします。
第1段階では,covid-19画像のセグメンテーションと分類にカプセルネットワークを用いてローカルモデルを訓練する。
セグメンテーションは、モデルをトレーニングするためのノジュールと分類を抽出することを目的としている。
第2のステップでは、同型暗号方式により局所モデルを確保します。
設計されたスキームは、フェデレーション学習の勾配を暗号化し、復号する。
さらに,モデルの分散化のために,勾配を集約し,局所モデルを更新するブロックチェーンベースのフェデレーション学習アルゴリズムを設計する。
このようにして、提案した暗号化スキームはデータプロバイダのプライバシを実現し、ブロックチェーンは共有データの信頼性を保証する。
実験の結果,提案手法の性能を実証した。
関連論文リスト
- Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳(メタデータ) (2024-03-28T07:08:26Z) - B^2SFL: A Bi-level Blockchained Architecture for Secure Federated
Learning-based Traffic Prediction [4.3030251749726345]
Federated Learning(FL)は、プライバシを保存する機械学習技術である。
悪意のある参加者と集中型のFLサーバによって、セキュリティとプライバシの保証が侵害される可能性がある。
本稿では,セキュアなフェデレート学習に基づくトラフィック予測のための,双方向ブロックチェーンアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-10-23T08:06:05Z) - 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-Preserved Neural Graph Similarity Learning [99.78599103903777]
本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。
再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。
グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
論文 参考訳(メタデータ) (2022-10-21T04:38:25Z) - Privacy-Preserving Wavelet Wavelet Neural Network with Fully Homomorphic
Encryption [5.010425616264462]
プライバシ保護機械学習(PPML)は、プライバシ保護と、マシンラーニングモデルの構築に使用されるデータに対するセキュリティの提供を目的としている。
プライバシを保護すると同時に,モデルの効率を損なわないよう,完全同型暗号化ウェーブレットニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-05-26T10:40:31Z) - Homomorphic Encryption and Federated Learning based Privacy-Preserving
CNN Training: COVID-19 Detection Use-Case [0.41998444721319217]
本稿では、同相暗号を用いた医療データのためのプライバシー保護フェデレーション学習アルゴリズムを提案する。
提案アルゴリズムはセキュアなマルチパーティ計算プロトコルを用いて,ディープラーニングモデルを敵から保護する。
論文 参考訳(メタデータ) (2022-04-16T08:38:35Z) - Collaborative Learning for Cyberattack Detection in Blockchain Networks [29.481124078876032]
本稿では、侵入攻撃を調査し、ブロックチェーンネットワークのネットワーク層におけるサイバー攻撃を検出する新しいサイバー攻撃検出フレームワークを開発することを目的とする。
ブロックチェーンネットワークに効率的に配置して攻撃を検知できる新しい協調学習モデルを提案する。
集中シミュレーションと実時間実験の両方で、我々の提案した侵入検知フレームワークが攻撃検出において最大98.6%の精度を達成できることが明らかに示されている。
論文 参考訳(メタデータ) (2022-03-21T15:55:41Z) - Understanding Clipping for Federated Learning: Convergence and
Client-Level Differential Privacy [67.4471689755097]
本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。
本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
論文 参考訳(メタデータ) (2021-06-25T14:47:19Z) - FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。
新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。
患者のプライバシー上の懸念から、データそのものはまだ乏しい。
我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文 参考訳(メタデータ) (2021-02-10T01:56:58Z) - Blockchain-Federated-Learning and Deep Learning Models for COVID-19
detection using CT Imaging [8.280858576611587]
新型コロナウイルスの患者を診断する主な問題は、検査キットの不足と信頼性である。
第2の現実の問題は、世界中の病院間でデータを共有することだ。
第3に,ブロックチェーン技術を用いてグローバルモデルを協調的にトレーニングする手法を設計する。
論文 参考訳(メタデータ) (2020-07-10T11:23:14Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳(メタデータ) (2020-03-19T13:07:49Z)
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。