論文の概要: Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables
in Predictive Healthcare
- arxiv url: http://arxiv.org/abs/2301.04511v1
- Date: Wed, 11 Jan 2023 15:16:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 18:15:09.520212
- Title: Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables
in Predictive Healthcare
- Title（参考訳）: 予測医療におけるフェデレーション学習とブロックチェーン対応フォグオットプラットフォーム
- Authors: Marc Baucas, Petros Spachos and Konstantinos Plataniotis
- Abstract要約: フォグIoTネットワーク内で,フェデレーション学習とプライベートブロックチェーン技術を用いたプラットフォームを提案する。
これらの技術は、ネットワーク内のデータを保護するプライバシー保護機能を備えている。
実験結果によると、導入した実装は患者のプライバシと予測サービスの整合性を効果的に維持することができる。
- 参考スコア（独自算出の注目度）: 6.045977607688583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the years, the popularity and usage of wearable Internet of Things (IoT)
devices in several healthcare services are increased. Among the services that
benefit from the usage of such devices is predictive analysis, which can
improve early diagnosis in e-health. However, due to the limitations of
wearable IoT devices, challenges in data privacy, service integrity, and
network structure adaptability arose. To address these concerns, we propose a
platform using federated learning and private blockchain technology within a
fog-IoT network. These technologies have privacy-preserving features securing
data within the network. We utilized the fog-IoT network's distributive
structure to create an adaptive network for wearable IoT devices. We designed a
testbed to examine the proposed platform's ability to preserve the integrity of
a classifier. According to experimental results, the introduced implementation
can effectively preserve a patient's privacy and a predictive service's
integrity. We further investigated the contributions of other technologies to
the security and adaptability of the IoT network. Overall, we proved the
feasibility of our platform in addressing significant security and privacy
challenges of wearable IoT devices in predictive healthcare through analysis,
simulation, and experimentation.
- Abstract（参考訳）: 長年にわたり、いくつかのヘルスケアサービスにおけるウェアラブルIoT(Internet of Things)デバイスの人気と利用が増加している。
このようなデバイスの使用から恩恵を受けるサービスには、eヘルスの早期診断を改善する予測分析がある。
しかし、ウェアラブルIoTデバイスの制限により、データのプライバシ、サービス整合性、ネットワーク構造への適応性といった課題が発生した。
これらの問題に対処するため,フォグIoTネットワーク内のフェデレーション学習とプライベートブロックチェーン技術を用いたプラットフォームを提案する。
これらの技術は、ネットワーク内のデータを保護するプライバシー保護機能を備えている。
我々はフォグIoTネットワークの分散構造を利用して、ウェアラブルIoTデバイスのための適応型ネットワークを作成しました。
提案するプラットフォームが分類器の完全性を維持する能力を調べるためのテストベッドを設計した。
実験結果によると、導入した実装は患者のプライバシと予測サービスの整合性を効果的に維持することができる。
さらに、IoTネットワークのセキュリティと適応性に対する他の技術の貢献についても検討した。
全体として、分析、シミュレーション、実験を通じて予測医療におけるウェアラブルIoTデバイスのセキュリティとプライバシの重大な課題に対処する上で、当社のプラットフォームが可能であることを実証しました。
関連論文リスト
- Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey [18.36339203254509]
新たな分散パラダイムであるフェデレーション学習は、プライバシを維持しながら協調学習をサポートする。
フェデレートされた学習とブロックチェーンの統合は、医療などの機密データを扱う上で特に有利である。
本稿では、フェデレートされた学習とブロックチェーンのアーキテクチャ、構造、機能、特性、そして様々なコンピューティングパラダイムにおけるそれらの応用について検討し、医療におけるそれらの実装を評価します。
論文 参考訳（メタデータ） (2024-06-08T16:36:48Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Generative AI-Driven Human Digital Twin in IoT-Healthcare: A Comprehensive Survey [53.691704671844406]
IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。
ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。
HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。
最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
論文 参考訳（メタデータ） (2024-01-22T03:17:41Z) - Machine Learning for Healthcare-IoT Security: A Review and Risk Mitigation [4.499833362998488]
本稿では、医療用IoTの基礎、プライバシ、マシンラーニングやH-IoTデバイスに関連するデータセキュリティの課題についてレビューする。
この論文は、知覚、ネットワーク、クラウド、アプリケーションなどの医療用IoTレイヤを監視することの重要性をさらに強調する。
論文 参考訳（メタデータ） (2024-01-17T10:55:26Z) - 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) - FedBlockHealth: A Synergistic Approach to Privacy and Security in
IoT-Enabled Healthcare through Federated Learning and Blockchain [2.993954417409032]
医療におけるIoT(Internet of Things)デバイスの急速な採用は、データのプライバシ、セキュリティ、患者の安全性を維持する上で、新たな課題をもたらしている。
従来のアプローチでは、計算効率を維持しながら、セキュリティとプライバシを確保する必要がある。
本稿では,フェデレーション学習とブロックチェーン技術を組み合わせて,セキュアでプライバシ保護のソリューションを提供する,新しいハイブリッドアプローチを提案する。
論文 参考訳（メタデータ） (2023-04-16T01:55:31Z) - IoT Device Identification Based on Network Communication Analysis Using
Deep Learning [43.0717346071013]
組織のネットワークに対する攻撃のリスクは、セキュリティの低いIoTデバイスの使用の増加によって増大している。
この脅威に対処し、ネットワークを保護するために、組織は通常、ホワイトリストのIoTデバイスのみをネットワーク上で許可するセキュリティポリシを実装します。
本研究では、ネットワーク上で許可されたIoTデバイスの自動識別のためのネットワーク通信にディープラーニングを適用した。
論文 参考訳（メタデータ） (2023-03-02T13:44:58Z) - Applications of Machine Learning in Healthcare and Internet of Things
(IOT): A Comprehensive Review [2.1270496914042996]
本稿では、特に医療における最先端の機械学習応用について概観する。
我々は、医療におけるIoTのオープンな課題を強調し、さらなる研究と研究を科学者に委ねている。
論文 参考訳（メタデータ） (2022-02-06T21:56:39Z) - User-Centric Health Data Using Self-sovereign Identities [69.50862982117127]
本稿では、健康データのプライバシーと管理を改善するために、発行者自尊心(SSI)と分散Ledger Technologies(DLT)の潜在的利用について述べる。
論文では、保健分野における分散IDの顕著なユースケースをリストアップし、効果的なブロックチェーンベースのアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2021-07-26T17:09:52Z) - Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement
Learning [73.85267769520715]
IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。
部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。
深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
論文 参考訳（メタデータ） (2020-12-31T11:19:51Z) - A Federated Learning Framework for Healthcare IoT devices [2.642698101441705]
深層ニューラルネットワークを学習するための高度なフェデレーション学習フレームワークを提案する。
提案フレームワークは,バニラフェデレート学習における同期トラフィックの0.2%しか必要とせず,低精度の損失を保証している。
論文 参考訳（メタデータ） (2020-05-07T22:58:43Z)
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。