論文の概要: Accelerating Privacy-Preserving Medical Record Linkage: A Three-Party MPC Approach
- arxiv url: http://arxiv.org/abs/2410.21605v2
- Date: Tue, 12 Nov 2024 00:42:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-13 13:15:58.987425
- Title: Accelerating Privacy-Preserving Medical Record Linkage: A Three-Party MPC Approach
- Title（参考訳）: プライバシ保護のための医療記録リンクの高速化:三部構成のMPCアプローチ
- Authors: Şeyma Selcan Mağara, Noah Dietrich, Ali Burak Ünal, Mete Akgün,
- Abstract要約: 本稿では,セキュアな3次元計算フレームワークに基づく,新規で効率的なPPRLを提案する。
提案手法は,最先端PPRL法のリンク品質を最大14倍高速に保ちながら維持できることを実証する。
- 参考スコア（独自算出の注目度）: 1.7999333451993955
- License:
- Abstract: Record linkage is a crucial concept for integrating data from multiple sources, particularly when datasets lack exact identifiers, and it has diverse applications in real-world data analysis. Privacy-Preserving Record Linkage (PPRL) ensures this integration occurs securely, protecting sensitive information from unauthorized access. This is especially important in sectors such as healthcare, where datasets include private identity information (IDAT) governed by strict privacy laws. However, maintaining both privacy and efficiency in large-scale record linkage poses significant challenges. Consequently, researchers must develop advanced methods to protect data privacy while optimizing processing performance. This paper presents a novel and efficient PPRL method based on a secure 3-party computation (MPC) framework. Our approach allows multiple parties to compute linkage results without exposing their private inputs and significantly improves the speed of linkage process compared to existing privacy-preserving solutions. We demonstrated that our method preserves the linkage quality of the state-of-the-art PPRL method while achieving up to 14 times faster performance. For example, linking a record against a database of 10,000 records takes just 8.74 seconds in a realistic network with 700 Mbps bandwidth and 60 ms latency. Even on a slower internet connection with 100 Mbps bandwidth and 60 ms latency, the linkage completes in 28 seconds, highlighting the scalability and efficiency of our solution.
- Abstract（参考訳）: レコードリンクは、特にデータセットに正確な識別子がない場合、複数のソースからのデータを統合するための重要な概念であり、現実世界のデータ分析に様々な応用がある。
プライバシ保護記録リンク(PPRL)は、この統合をセキュアに行い、機密情報を不正アクセスから保護する。
これは、厳格なプライバシー法によって管理されるプライベートID情報(IDAT)を含む、医療などの分野において特に重要である。
しかし、大規模なレコードリンクにおけるプライバシと効率の両面での維持は大きな課題となる。
そのため、研究者は、処理性能を最適化しながら、データのプライバシを保護する高度な方法を開発する必要がある。
本稿では,セキュアな3要素計算(MPC)フレームワークに基づく,新規で効率的なPPRL手法を提案する。
提案手法では,複数の関係者がプライベートな入力を公開せずにリンク結果を計算することができ,既存のプライバシ保護ソリューションと比較してリンク処理の高速化が著しく向上する。
提案手法は,PPRL法のリンク品質を最大14倍高速に保ちながら保持できることを実証した。
例えば、1万レコードのデータベースにレコードをリンクするには、700Mbpsの帯域幅と60msのレイテンシを持つ現実的なネットワークで8.74秒しかかからない。
100Mbpsの帯域幅と60msのレイテンシを持つ遅いインターネット接続でも、リンクは28秒で完了し、ソリューションのスケーラビリティと効率性を強調します。
関連論文リスト
- Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - Private Approximate Query over Horizontal Data Federation [0.0]
既存のアプローチは、プライバシを改善する暗号に頼っているが、クエリ応答時間を犠牲にしている。
本稿では,データ分散を意識したオンラインサンプリング手法を考案し,レンジクエリの実行を高速化する手法を提案する。
我々のソリューションは、基本的な非セキュアなソリューションよりも最大8倍高速な処理を提供できる。
論文 参考訳（メタデータ） (2024-06-17T11:19:58Z) - Provable Privacy with Non-Private Pre-Processing [56.770023668379615]
非プライベートなデータ依存前処理アルゴリズムによって生じる追加のプライバシーコストを評価するための一般的なフレームワークを提案する。
当社のフレームワークは,2つの新しい技術的概念を活用することにより,全体的なプライバシー保証の上限を確立する。
論文 参考訳（メタデータ） (2024-03-19T17:54:49Z) - FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。
FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。
本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
論文 参考訳（メタデータ） (2024-03-10T08:41:22Z) - TernaryVote: Differentially Private, Communication Efficient, and
Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。
提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文 参考訳（メタデータ） (2024-02-16T16:41:14Z) - Local Differentially Private Heavy Hitter Detection in Data Streams with Bounded Memory [31.652076018162507]
本稿では,厳密な局所差分プライバシー(LDP)保護を図りながら,メモリ使用量によるTop-k$アイテム検出を実現するための新しいフレームワークHG-LDPを提案する。
提案手法が精度・プライバシ・メモリ効率のトレードオフに優れていることを示すため,合成データセットと実世界のデータセットの総合的な実験を行った。
論文 参考訳（メタデータ） (2023-11-27T18:28:15Z) - Theoretically Principled Federated Learning for Balancing Privacy and
Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。
フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文 参考訳（メタデータ） (2023-05-24T13:44:02Z) - Efficient Logistic Regression with Local Differential Privacy [0.0]
モノのインターネット(Internet of Things)デバイスは急速に拡大し、大量のデータを生み出している。
これらのデバイスから収集されたデータを探索する必要性が高まっている。
コラボレーション学習は、モノのインターネット(Internet of Things)設定に戦略的ソリューションを提供すると同時に、データのプライバシに関する一般の懸念も引き起こす。
論文 参考訳（メタデータ） (2022-02-05T22:44:03Z) - Linear Model with Local Differential Privacy [0.225596179391365]
プライバシ保護技術は、さまざまな機関間で分散データを解析するために広く研究されている。
セキュアなマルチパーティ計算は、プライバシ保護のために、高いプライバシレベルで、高コストで広く研究されている。
マトリクスマスキング技術は、悪意のある敵に対するセキュアなスキームを暗号化するために用いられる。
論文 参考訳（メタデータ） (2022-02-05T01:18:00Z) - Privacy-Aware Time-Series Data Sharing with Deep Reinforcement Learning [33.42328078385098]
時系列データ共有におけるプライバシーユーティリティトレードオフ(PUT)について検討する。
現時点でのプライバシを保存する方法は、トレースレベルでかなりの量の情報をリークする可能性がある。
我々は、ユーザの真のデータシーケンスの歪んだバージョンを、信頼できない第三者と共有することを検討する。
論文 参考訳（メタデータ） (2020-03-04T18:47:25Z) - CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。
CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
論文 参考訳（メタデータ） (2020-02-03T14:49:18Z)
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。