論文の概要: A sandbox study proposal for private and distributed health data analysis

• arxiv url: http://arxiv.org/abs/2501.14556v1
• Date: Fri, 24 Jan 2025 15:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:05.915926
• Title: A sandbox study proposal for private and distributed health data analysis
• Title（参考訳）: 個人・分散型健康データ分析のためのサンドボックス研究の提案
• Authors: Rickard Brännvall, Hanna Svensson, Kannaki Kaliyaperumal, Håkan Burden, Susanne Stenberg,
• Abstract要約: このプロジェクトの目的は、研究とイノベーションのための安全なプラットフォームであるHealth Data Bank(スウェーデン語でH"databanken")を開発することである。 個人データの共有と保存を最小化することにより、プラットフォームは分析タスクを直接元のデータロケーションに送信する。 この研究では、フェデレーション分析、セキュアなマルチパーティアグリゲーション、および差分プライバシー技術について検討している。
• 参考スコア（独自算出の注目度）: 1.5495593104596401
• License:
• Abstract: This paper presents a sandbox study proposal focused on the distributed processing of personal health data within the Vinnova-funded SARDIN project. The project aims to develop the Health Data Bank (H\"alsodatabanken in Swedish), a secure platform for research and innovation that complies with the European Health Data Space (EHDS) legislation. By minimizing the sharing and storage of personal data, the platform sends analysis tasks directly to the original data locations, avoiding centralization. This approach raises questions about data controller responsibilities in distributed environments and the anonymization status of aggregated statistical results. The study explores federated analysis, secure multi-party aggregation, and differential privacy techniques, informed by real-world examples from clinical research on Parkinson's disease, stroke rehabilitation, and wound analysis. To validate the proposed study, numerical experiments were conducted using four open-source datasets to assess the feasibility and effectiveness of the proposed methods. The results support the methods for the proposed sandbox study by demonstrating that differential privacy in combination with secure aggregation techniques significantly improves the privacy-utility trade-off.
• Abstract（参考訳）: 本稿では、Vinnaovaが出資するSARDINプロジェクトにおいて、個人の健康データを分散処理することに焦点を当てたサンドボックススタディを提案する。 このプロジェクトの目的は、欧州保健データ空間(EHDS)法に準拠した研究とイノベーションのためのセキュアなプラットフォームであるHealth Data Bank(スウェーデン語で「H\」とも呼ばれる)を開発することである。 個人データの共有と保存を最小化することにより、プラットフォームは分析タスクを元のデータロケーションに直接送信し、集中化を避ける。 このアプローチは、分散環境におけるデータコントローラの責務と集約された統計結果の匿名化状況に関する疑問を提起する。 この研究は、パーキンソン病、脳卒中リハビリテーション、創傷分析に関する臨床研究から現実の例から情報を得た、フェデレーション分析、セキュアなマルチパーティアグリゲーション、および差分プライバシー技術について調査している。 提案手法の有効性と有効性を評価するために,4つのオープンソースデータセットを用いて数値実験を行った。 その結果, 安全な集約技術と組み合わせた差分プライバシーが, プライバシ・ユーティリティ・トレードオフを著しく改善することを示すことによって, 提案したサンドボックス研究の手法を支援することができた。

関連論文リスト

• Privacy-Preserving Collaborative Genomic Research: A Real-Life Deployment and Vision [2.7968600664591983]
  本稿ではLynx.MDと共同で開発されたゲノム研究のためのプライバシ保護フレームワークを提案する。 このフレームワークは、重要なサイバーセキュリティとプライバシの課題に対処し、プライバシ保護によるゲノムデータの共有と分析を可能にする。 Lynx.MD内でのフレームワークの実装には、ゲノムデータをバイナリ形式に符号化し、制御された摂動技術を通じてノイズを適用することが含まれる。
  論文  参考訳（メタデータ） (2024-07-12T05:43:13Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Assessing Scientific Contributions in Data Sharing Spaces [64.16762375635842]
  本稿では、研究者の科学的貢献を測定するブロックチェーンベースのメトリクスであるSCIENCE-indexを紹介する。 研究者にデータ共有のインセンティブを与えるため、SCIENCE-indexはデータ共有パラメータを含むように拡張されている。 本モデルは, 地理的に多様な研究者の出力分布とh-indexの分布を比較して評価する。
  論文  参考訳（メタデータ） (2023-03-18T19:17:47Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• A Tree-based Federated Learning Approach for Personalized Treatment Effect Estimation from Heterogeneous Data Sources [5.049057348282933]
  フェデレーション学習は、分散ヘルスデータネットワークから機密データを分析するための魅力的なフレームワークである。 本研究は, 治療効果評価装置を効率よく, 解釈可能なツリーベースアンサンブルを開発した。
  論文  参考訳（メタデータ） (2021-03-10T18:51:30Z)
• PeQES: A Platform for Privacy-enhanced Quantitative Empirical Studies [6.782635275179198]
  我々は、事前登録された研究のための新しいプライバシー強化ワークフローを構築した。 また、適切な実行を技術的に強制する対応するプラットフォームであるPeQESを紹介します。 PeQESは、プライバシ強化された研究を可能にする最初のプラットフォームであり、研究プロトコルの完全性を確保し、参加者のデータの機密性を同時に保護する。
  論文  参考訳（メタデータ） (2021-03-09T16:46:25Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Challenges in biomarker discovery and biorepository for Gulf-war-disease studies: a novel data platform solution [48.7576911714538]
  ROSALINDという新しいデータプラットフォームを導入し、課題を克服し、健全で重要なコラボレーションを育み、科学的調査を進めます。 ROSALINDは、自己管理されたアクセシビリティ、リンク性、可積分性、中立性、信頼性を持つリソース有機体を指します。 過去12ヶ月のGWI研究におけるROSALINDの展開により、データ実験と分析のペースが加速し、多数のエラーソースが削除され、研究品質と生産性が向上しました。
  論文  参考訳（メタデータ） (2021-02-04T20:38:30Z)
• Secure and Differentially Private Bayesian Learning on Distributed Data [17.098036331529784]
  本稿では,事前条件付きランゲヴィンダイナミクスとRMSpropを併用した分散ベイズ学習手法を提案する。 提案手法を分散データのロジスティック回帰と生存分析に応用し, 集中型手法と比較して, 予測精度と時間複雑性の観点からその可能性を示した。
  論文  参考訳（メタデータ） (2020-05-22T05:13:43Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Anonymizing Data for Privacy-Preserving Federated Learning [3.3673553810697827]
  我々は,フェデレートラーニングの文脈において,プライバシを提供するための最初の構文的アプローチを提案する。 当社のアプローチは,プライバシの保護レベルをサポートしながら,実用性やモデルの性能を最大化することを目的としている。 医療領域における2つの重要な課題について,100万人の患者の実世界電子健康データを用いて包括的実証評価を行った。
  論文  参考訳（メタデータ） (2020-02-21T02:30:16Z)

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。