論文の概要: Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey

• arxiv url: http://arxiv.org/abs/2406.05517v1
• Date: Sat, 8 Jun 2024 16:36:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 19:16:08.556838
• Title: Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey
• Title（参考訳）: IoTベースのヘルスケアアプリケーションのためのエッジフォグクラウドシステムにおけるブロックチェーン統合フェデレーション学習に関する調査
• Authors: Shinu M. Rajagopal, Supriya M., Rajkumar Buyya,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.36339203254509
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern Internet of Things (IoT) applications generate enormous amounts of data, making data-driven machine learning essential for developing precise and reliable statistical models. However, data is often stored in silos, and strict user-privacy legislation complicates data utilization, limiting machine learning's potential in traditional centralized paradigms due to diverse data probability distributions and lack of personalization. Federated learning, a new distributed paradigm, supports collaborative learning while preserving privacy, making it ideal for IoT applications. By employing cryptographic techniques, IoT systems can securely store and transmit data, ensuring consistency. The integration of federated learning and blockchain is particularly advantageous for handling sensitive data, such as in healthcare. Despite the potential of these technologies, a comprehensive examination of their integration in edge-fog-cloud-based IoT computing systems and healthcare applications is needed. This survey article explores the architecture, structure, functions, and characteristics of federated learning and blockchain, their applications in various computing paradigms, and evaluates their implementations in healthcare.
• Abstract（参考訳）: 現代のモノのインターネット(IoT)アプリケーションは膨大な量のデータを生成し、正確で信頼性の高い統計モデルを開発するためにデータ駆動機械学習が不可欠である。 しかし、データはサイロに格納されることが多く、厳格なユーザプライバシ法はデータ利用を複雑にし、多様なデータ確率分布とパーソナライゼーションの欠如により、従来の中央集権的パラダイムにおける機械学習の可能性を制限する。 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し、IoTアプリケーションに理想的だ。 暗号化技術を利用することで、IoTシステムはデータをセキュアに保存し、送信し、一貫性を確保することができる。 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。 これらの技術の可能性にもかかわらず、エッジフォッグベースのIoTコンピューティングシステムとヘルスケアアプリケーションとの統合に関する包括的な調査が必要である。 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。

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)
• 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)
• A Blockchain Solution for Collaborative Machine Learning over IoT [0.31410859223862103]
  フェデレートラーニング(FL)とブロックチェーン技術は、これらの課題に対処するための有望なアプローチとして現れています。 我々は、漸進学習ベクトル量子化アルゴリズム(XuILVQ)とブロックチェーン技術を組み合わせた、新しいIoTソリューションを提案する。 提案アーキテクチャは,データプライバシとセキュリティを維持しながら,計算オーバーヘッドと通信オーバーヘッドを削減することにより,既存のブロックチェーンベースのFLソリューションの欠点に対処する。
  論文  参考訳（メタデータ） (2023-11-23T18:06:05Z)
• 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)
• A Survey on Blockchain-Based Federated Learning and Data Privacy [1.0499611180329802]
  フェデレーテッド・ラーニング(Federated Learning)は、複数のクライアントがローカルな計算能力とモデルの伝達を活用して協力できるようにする、分散機械学習パラダイムである。 一方、フェデレーション学習は、ストレージ、転送、共有に使用されるプライバシー保護機構が欠如しているため、データ漏洩の欠点がある。 この調査は、ブロックチェーンベースのフェデレーション学習アーキテクチャで採用されているさまざまなデータプライバシメカニズムのパフォーマンスとセキュリティを比較することを目的としている。
  論文  参考訳（メタデータ） (2023-06-29T23:43:25Z)
• 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)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Federated Learning for Internet of Things: A Federated Learning Framework for On-device Anomaly Data Detection [10.232121085973782]
  我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。 現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
  論文  参考訳（メタデータ） (2021-06-15T08:53:42Z)
• Multi-modal AsynDGAN: Learn From Distributed Medical Image Data without Sharing Private Information [55.866673486753115]
  プライバシーとセキュリティを守るために拡張可能で弾力性のある学習フレームワークを提案します。 提案するフレームワークは分散Asynchronized Discriminator Generative Adrial Networks (AsynDGAN) である。
  論文  参考訳（メタデータ） (2020-12-15T20:41:24Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。