論文の概要: Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness
- arxiv url: http://arxiv.org/abs/2307.15975v1
- Date: Sat, 29 Jul 2023 12:54:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 18:26:41.511476
- Title: Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness
- Title(参考訳): ブロックチェーンによる医療メタバースのための連合学習:最適なデータフレッシュネスを持つユーザ中心のインセンティブメカニズム
- Authors: Jiawen Kang, Jinbo Wen, Dongdong Ye, Bingkun Lai, Tianhao Wu, Zehui
Xiong, Jiangtian Nie, Dusit Niyato, Yang Zhang, Shengli Xie
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 66.3982155172418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given the revolutionary role of metaverses, healthcare metaverses are
emerging as a transformative force, creating intelligent healthcare systems
that offer immersive and personalized services. The healthcare metaverses allow
for effective decision-making and data analytics for users. However, there
still exist critical challenges in building healthcare metaverses, such as the
risk of sensitive data leakage and issues with sensing data security and
freshness, as well as concerns around incentivizing data sharing. In this
paper, we first design a user-centric privacy-preserving framework based on
decentralized Federated Learning (FL) for healthcare metaverses. To further
improve the privacy protection of healthcare metaverses, a cross-chain
empowered FL framework is utilized to enhance sensing data security. This
framework utilizes a hierarchical cross-chain architecture with a main chain
and multiple subchains to perform decentralized, privacy-preserving, and secure
data training in both virtual and physical spaces. Moreover, we utilize Age of
Information (AoI) as an effective data-freshness metric and propose an
AoI-based contract theory model under Prospect Theory (PT) to motivate sensing
data sharing in a user-centric manner. This model exploits PT to better capture
the subjective utility of the service provider. Finally, our numerical results
demonstrate the effectiveness of the proposed schemes for healthcare
metaverses.
- Abstract(参考訳): メタバースの革命的な役割を考えると、医療のメタバースは変革的な力として現れ、没入的でパーソナライズされたサービスを提供するインテリジェントな医療システムを生み出している。
医療メタバースは、ユーザに効果的な意思決定とデータ分析を可能にする。
しかし、機密データ漏洩のリスクやデータセキュリティやフレッシュネスのセンシングの問題、データ共有のインセンティブに関する懸念など、医療メタバースの構築には依然として重大な課題がある。
本稿では,医療メタバースのための分散フェデレーション学習(fl)に基づく,ユーザ中心のプライバシー保護フレームワークをまず設計する。
医療メタバースのプライバシー保護をさらに改善するために、クロスチェーン強化FLフレームワークを使用して、センシングデータセキュリティを強化する。
このフレームワークは、メインチェーンと複数のサブチェーンを備えた階層的なクロスチェーンアーキテクチャを使用して、仮想空間と物理空間の両方で、分散、プライバシ保存、セキュアなデータトレーニングを実行する。
さらに,情報時代(AoI)を有効データ更新指標として利用し,ユーザ中心のセンシングデータ共有を動機付けるために,プロスペクト理論(PT)に基づくAoIベースの契約理論モデルを提案する。
このモデルは、ptを利用してサービスプロバイダの主観的なユーティリティをよりよく捉えます。
最後に,医療メタバースにおける提案手法の有効性を数値的に検証した。
関連論文リスト
- Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。
既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。
本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-29T07:04:48Z) - Towards Blockchain-Assisted Privacy-Aware Data Sharing For Edge
Intelligence: A Smart Healthcare Perspective [19.208368632576153]
リンク攻撃はプライバシードメインにおける支配的な攻撃の一種である。
敵は 健康データを偽装するために 毒殺攻撃を仕掛ける 誤診や 身体的損傷までも 引き起こす
個人の健康データを保護するために,ユーザ間の信頼度に基づく個人差分プライバシモデルを提案する。
論文 参考訳(メタデータ) (2023-06-29T02:06:04Z) - PS-FedGAN: An Efficient Federated Learning Framework Based on Partially
Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。
本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。
PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文 参考訳(メタデータ) (2023-05-19T05:39:40Z) - 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) - Cross-Network Social User Embedding with Hybrid Differential Privacy
Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。
特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。
ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文 参考訳(メタデータ) (2022-09-04T06:22:37Z) - A Blockchain-Based Consent Mechanism for Access to Fitness Data in the
Healthcare Context [0.966840768820136]
本研究では、ブロックチェーンとスマートコントラクトに基づく、人間中心、法的に準拠、分散化、動的同意システムのためのアーキテクチャを紹介する。
提案方式のセキュリティ特性は, 正式なセキュリティモデリングフレームワークSeMFを用いて評価した。
論文 参考訳(メタデータ) (2022-02-25T09:51:02Z) - Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。
モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。
本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
論文 参考訳(メタデータ) (2022-02-14T18:33:12Z) - Privacy-Preserved Blockchain-Federated-Learning for Medical Image
Analysis Towards Multiple Parties [5.296010468961924]
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。
論文 参考訳(メタデータ) (2021-04-22T07:32:04Z) - FedHome: Cloud-Edge based Personalized Federated Learning for In-Home
Health Monitoring [39.36361256682276]
在宅健康モニタリングは、世界中の高齢層に大きな注目を集めている。
既存の家庭内健康モニタリングのアプローチは、ユーザのデータプライバシに十分な注意を払わない。
FedHomeは、家庭内健康モニタリングのための新しいクラウドエッジのフェデレーション学習フレームワークです。
論文 参考訳(メタデータ) (2020-12-14T12:04:44Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳(メタデータ) (2020-12-10T13:56:00Z)
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。