論文の概要: Federated Learning for Privacy Preservation in Smart Healthcare Systems: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2203.09702v1
• Date: Fri, 18 Mar 2022 02:32:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 16:12:35.035128
• Title: Federated Learning for Privacy Preservation in Smart Healthcare Systems: A Comprehensive Survey
• Title（参考訳）: スマート医療システムにおけるプライバシー保護のための連合学習--包括的調査
• Authors: Mansoor Ali, Faisal Naeem, Muhammad Tariq, and Geroges Kaddoum
• Abstract要約: プライバシー保護のためのIoMTネットワークにおけるFLの役割について述べる。 本稿では、プライバシーの脅威を検出するために、深層強化学習(DRL)、デジタルツイン、GAN(Generative Adversarial Network)を取り入れた高度なFLアーキテクチャを紹介する。
• 参考スコア（独自算出の注目度）: 6.824747267214373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in electronic devices and communication infrastructure have revolutionized the traditional healthcare system into a smart healthcare system by using IoMT devices. However, due to the centralized training approach of artificial intelligence (AI), the use of mobile and wearable IoMT devices raises privacy concerns with respect to the information that has been communicated between hospitals and end users. The information conveyed by the IoMT devices is highly confidential and can be exposed to adversaries. In this regard, federated learning (FL), a distributive AI paradigm has opened up new opportunities for privacy-preservation in IoMT without accessing the confidential data of the participants. Further, FL provides privacy to end users as only gradients are shared during training. For these specific properties of FL, in this paper we present privacy related issues in IoMT. Afterwards, we present the role of FL in IoMT networks for privacy preservation and introduce some advanced FL architectures incorporating deep reinforcement learning (DRL), digital twin, and generative adversarial networks (GANs) for detecting privacy threats. Subsequently, we present some practical opportunities of FL in smart healthcare systems. At the end, we conclude this survey by providing open research challenges for FL that can be used in future smart healthcare systems
• Abstract（参考訳）: 電子デバイスと通信インフラの最近の進歩は、従来の医療システムをIoMTデバイスを使用してスマートヘルスケアシステムに革命をもたらした。 しかし、人工知能(AI)の集中的なトレーニングアプローチにより、モバイルおよびウェアラブルIoMTデバイスの使用は、病院とエンドユーザの間で通信された情報に関してプライバシー上の懸念を提起する。 IoMTデバイスによって伝達される情報は極めて機密であり、敵に暴露することができる。 この点において、フェデレーションAIパラダイムであるフェデレーション学習(FL)は、参加者の機密データにアクセスせずに、IoMTのプライバシー保護のための新たな機会を開いた。 さらにFLは、トレーニング中にのみグラデーションを共有するため、エンドユーザにプライバシを提供する。 FLのこれらの特性について、本論文では、IoMTにおけるプライバシー関連問題について述べる。 その後,プライバシ保護のためのiomtネットワークにおけるflの役割を述べるとともに,drl(deep reinforcement learning),デジタルツイン,gans(generative adversarial network)を組み込んだ,プライバシの脅威検出のための高度なflアーキテクチャを紹介する。 その後、スマートヘルスケアシステムにおけるFLの実践的可能性を示す。 最終的には、将来のスマートヘルスケアシステムで使用できるFLのオープンな研究課題を提供することで、この調査を締めくくります。

関連論文リスト

• 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)
• Integration of Federated Learning and Blockchain in Healthcare: A Tutorial [0.5592394503914488]
  このチュートリアルでは、FLとBCの統合を調査し、医療分析に対するセキュアでプライバシ保護のアプローチを提供する。 FLは、医療機関のローカルデバイス上での分散モデルトレーニングを可能にし、患者のデータをローカライズする。 BCは、改ざん防止の台帳とスマートコントラクトによって、FLで安全な協調学習のための堅牢なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-04-15T19:00:09Z)
• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• 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)
• IoT Federated Blockchain Learning at the Edge [14.689706366051956]
  我々は、IoTデバイスのための分散フェデレーション学習フレームワーク、特にIoMT(Internet of Medical Things)について提案する。 ブロックチェーンを使用して、中央集権システム上でのプライバシと効率を改善する分散型スキームを可能にします。 1) プライバシを確保するためにデータセットから学習を分離しながら、共有モデルの協調的なトレーニングを可能にするために、IoTデバイス上でニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2023-04-06T11:32:40Z)
• Federated Learning with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
  Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。 本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。 我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
  論文  参考訳（メタデータ） (2022-10-16T06:44:46Z)
• A Secure Healthcare 5.0 System Based on Blockchain Technology Entangled with Federated Learning Technique [0.44040106718326594]
  セキュリティとプライバシは、IoMT(Internet of Medical Things)業界における重要な懸念事項である。 早期に懸念を特定することで、スマートヘルスケアシステムは長期的なダメージを避けるのに役立つ。 本研究は、ブロックチェーン技術と侵入検知システム(IDS)を活用して、医療5.0に安全な健康モニタリングシステムを構築することを目的とする。
  論文  参考訳（メタデータ） (2022-09-16T23:25:42Z)
• FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
  フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。 本稿では,FL方式の通信能力について詳しく検討する。 我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
  論文  参考訳（メタデータ） (2022-01-21T17:05:56Z)
• Federated Learning for Smart Healthcare: A Survey [39.68559637397757]
  新たな分散コラボレーティブAIパラダイムとしてのフェデレートラーニング(FL)は、スマートヘルスケアにとって特に魅力的なものだ。 スマートヘルスケアにおけるFLの最近の進歩、モチベーション、FLの使用要件について述べる。 本稿では、保健データ管理、リモートヘルスモニタリング、医療画像、COVID-19検出など、主要な医療分野におけるFLの新たな応用についてレビューする。
  論文  参考訳（メタデータ） (2021-11-16T23:34:22Z)
• Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
  このトピックに関する最初の包括的な調査を実施します。 FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
  論文  参考訳（メタデータ） (2020-12-07T12:11:45Z)

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。