Fugu-MT 論文翻訳(概要): Securing Health Data on the Blockchain: A Differential Privacy and Federated Learning Framework

論文の概要: Securing Health Data on the Blockchain: A Differential Privacy and Federated Learning Framework

arxiv url: http://arxiv.org/abs/2405.11580v1
Date: Sun, 19 May 2024 15:15:18 GMT
ステータス: 処理完了
システム内更新日: 2024-05-21 15:12:36.320016
Title: Securing Health Data on the Blockchain: A Differential Privacy and Federated Learning Framework
Title（参考訳）: ブロックチェーン上の健康データをセキュアに - 異なるプライバシとフェデレーション学習フレームワーク
Authors: Daniel Commey, Sena Hounsinou, Garth V. Crosby,
Abstract要約: この研究は、差分プライバシー(DP)とフェデレートラーニング(FL)を統合し、IoTノードが収集した機密健康データを保護する。提案フレームワークは、動的パーソナライズと適応型ノイズ分配戦略を利用して、プライバシとデータユーティリティのバランスをとる。
参考スコア（独自算出の注目度）: 1.3654846342364306
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study proposes a framework to enhance privacy in Blockchain-based Internet of Things (BIoT) systems used in the healthcare sector. The framework addresses the challenge of leveraging health data for analytics while protecting patient privacy. To achieve this, the study integrates Differential Privacy (DP) with Federated Learning (FL) to protect sensitive health data collected by IoT nodes. The proposed framework utilizes dynamic personalization and adaptive noise distribution strategies to balance privacy and data utility. Additionally, blockchain technology ensures secure and transparent aggregation and storage of model updates. Experimental results on the SVHN dataset demonstrate that the proposed framework achieves strong privacy guarantees against various attack scenarios while maintaining high accuracy in health analytics tasks. For 15 rounds of federated learning with an epsilon value of 8.0, the model obtains an accuracy of 64.50%. The blockchain integration, utilizing Ethereum, Ganache, Web3.py, and IPFS, exhibits an average transaction latency of around 6 seconds and consistent gas consumption across rounds, validating the practicality and feasibility of the proposed approach.
Abstract（参考訳）: 本研究では,医療分野で使用されているブロックチェーンベースのモノのインターネット(Internet of Things,BIoT)システムのプライバシ向上のためのフレームワークを提案する。このフレームワークは、患者のプライバシーを保護しながら、分析に健康データを活用するという課題に対処する。これを達成するために、この研究は差分プライバシー(DP)とフェデレートラーニング(FL)を統合し、IoTノードが収集した機密健康データを保護する。提案フレームワークは、動的パーソナライズと適応型ノイズ分配戦略を利用して、プライバシとデータユーティリティのバランスをとる。さらに、ブロックチェーン技術は、モデル更新のセキュアで透明な集約とストレージを保証する。 SVHNデータセットによる実験結果から,提案フレームワークは各種攻撃シナリオに対して強力なプライバシ保証を実現し,健康分析タスクの精度を維持した。エプシロン値8.0の15ラウンドのフェデレーション学習では、64.50%の精度が得られる。 Ethereum、Ganache、Web3.py、IPFSを利用するブロックチェーン統合は、ラウンド全体の平均トランザクションレイテンシと一貫したガス消費量を示し、提案されたアプローチの実用性と実現可能性を検証する。

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)
When Swarm Learning meets energy series data: A decentralized collaborative learning design based on blockchain [10.099134773737939]
機械学習モデルは、将来のエネルギー生産または消費を予測する機能を提供する。しかし、特定のエネルギーセクター内の法と政策の制約は、様々な情報源のデータを利用する際に技術的ハードルをもたらす。本稿では,集中型サーバをブロックチェーンベースの分散ネットワークに置き換えるSwarm Learningスキームを提案する。
論文参考訳（メタデータ） (2024-06-07T08:42:26Z)
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)
Generative AI-enabled Blockchain Networks: Fundamentals, Applications, and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文参考訳（メタデータ） (2024-01-28T10:46:17Z)
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)
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)
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)
Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文参考訳（メタデータ） (2022-05-08T14:38:23Z)
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)
Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文参考訳（メタデータ） (2020-12-14T18:59:24Z)
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。