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
- EPIC: Enhancing Privacy through Iterative Collaboration [4.199844472131922]
従来の機械学習技術は、中央集権的なデータ収集と処理を必要とする。
医療データを集中ストレージにプールする場合、プライバシ、オーナシップ、厳格な規制の問題が存在する。
フェデレートラーニング(FL)アプローチは、中央アグリゲータサーバと共有グローバルモデルを設定することで、そのような問題を克服する。
論文 参考訳（メタデータ） (2024-11-07T20:10:34Z) - Lancelot: Towards Efficient and Privacy-Preserving Byzantine-Robust Federated Learning within Fully Homomorphic Encryption [10.685816010576918]
我々は,データプライバシを保ちながら悪意あるクライアント活動を保護するために,完全同型暗号化(FHE)を利用する,革新的で計算効率のよいBRFLフレームワークであるLancelotを提案する。
医用画像診断や広く使われている公開画像データセットを含む大規模なテストでは、Lancelotが既存の手法を著しく上回り、データのプライバシを維持しながら、処理速度を20倍以上に向上させています。
論文 参考訳（メタデータ） (2024-08-12T14:48:25Z) - 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) - 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) - A Scalable Multi-Layered Blockchain Architecture for Enhanced EHR Sharing and Drug Supply Chain Management [3.149883354098941]
本稿では、革新的な電子健康記録(EHR)と医薬品サプライチェーン管理フレームワークについて述べる。
このフレームワークは5つのレイヤとトランザクションを導入し、患者の健康情報に対する包括的なアクセス制御を提供することで、患者中心の医療を優先する。
透明性とリアルタイムの薬物供給監視を提供し、意思決定者に実用的な洞察を与える。
論文 参考訳（メタデータ） (2024-02-27T09:20:16Z) - InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。
本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。
InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
論文 参考訳（メタデータ） (2024-02-14T17:49:07Z) - 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) - 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。