論文の概要: Quantum-Inspired Privacy-Preserving Federated Learning Framework for Secure Dementia Classification

• arxiv url: http://arxiv.org/abs/2503.03267v1
• Date: Wed, 05 Mar 2025 08:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:50:35.694001
• Title: Quantum-Inspired Privacy-Preserving Federated Learning Framework for Secure Dementia Classification
• Title（参考訳）: セキュア認知症分類のための量子インスパイアされたプライバシ保護フェデレーション学習フレームワーク
• Authors: Gazi Tanbhir, Md. Farhan Shahriyar,
• Abstract要約: 本稿では,認知症分類のための量子インスピレーション暗号技術とフェデレーション学習を統合した新しいフレームワークを提案する。 このフレームワークは、低所得国と中所得国でAI駆動型認知症診断へのアクセスを民主化する上で重要な意味を持つ。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Dementia, a neurological disorder impacting millions globally, presents significant challenges in diagnosis and patient care. With the rise of privacy concerns and security threats in healthcare, federated learning (FL) has emerged as a promising approach to enable collaborative model training across decentralized datasets without exposing sensitive patient information. However, FL remains vulnerable to advanced security breaches such as gradient inversion and eavesdropping attacks. This paper introduces a novel framework that integrates federated learning with quantum-inspired encryption techniques for dementia classification, emphasizing privacy preservation and security. Leveraging quantum key distribution (QKD), the framework ensures secure transmission of model weights, protecting against unauthorized access and interception during training. The methodology utilizes a convolutional neural network (CNN) for dementia classification, with federated training conducted across distributed healthcare nodes, incorporating QKD-encrypted weight sharing to secure the aggregation process. Experimental evaluations conducted on MRI data from the OASIS dataset demonstrate that the proposed framework achieves identical accuracy levels to a baseline model while enhancing data security and reducing loss by almost 1% compared to the classical baseline model. The framework offers significant implications for democratizing access to AI-driven dementia diagnostics in low- and middle-income countries, addressing critical resource and privacy constraints. This work contributes a robust, scalable, and secure federated learning solution for healthcare applications, paving the way for broader adoption of quantum-inspired techniques in AI-driven medical research.
• Abstract（参考訳）: 認知症は世界中の数百万人に影響を及ぼす神経疾患であり、診断と患者のケアにおいて重大な課題を呈している。 医療におけるプライバシーの懸念とセキュリティ上の脅威の高まりにより、フェデレートドラーニング(FL)は、センシティブな患者情報を公開することなく、分散化されたデータセット間で協調的なモデルトレーニングを可能にする、有望なアプローチとして登場した。 しかし、FLは、勾配反転や盗聴攻撃のような高度なセキュリティ侵害に弱いままである。 本稿では,認知症分類のための量子インスパイアされた暗号化技術とフェデレーション学習を統合し,プライバシ保護とセキュリティを重視した新しいフレームワークを提案する。 量子鍵分布(QKD)を活用して、トレーニング中の不正アクセスやインターセプションから保護することで、モデルのウェイトをセキュアに伝達する。 この手法では、認知症分類のための畳み込みニューラルネットワーク(CNN)を利用し、分散ヘルスケアノード間でのフェデレーショントレーニングを行い、QKD暗号化した重み共有を取り入れてアグリゲーションプロセスを確保する。 OASISデータセットからMRIデータを用いて行った実験により,提案フレームワークは,従来のベースラインモデルと比較してデータセキュリティを向上し,損失を約1%削減しつつ,ベースラインモデルと同一の精度レベルを達成することを示した。 このフレームワークは、低所得国と中所得国のAI駆動型認知症診断へのアクセスを民主化する上で、重要なリソースとプライバシの制約に対処する上で重要な意味を持つ。 この研究は、堅牢でスケーラブルでセキュアなフェデレーション付き学習ソリューションを医療アプリケーションに提供し、AI駆動医療研究に量子インスパイアされたテクニックを広く採用するための道を開いた。

関連論文リスト

• FedCL-Ensemble Learning: A Framework of Federated Continual Learning with Ensemble Transfer Learning Enhanced for Alzheimer's MRI Classifications while Preserving Privacy [0.0]
  本研究は,ResNet,ImageNet,VNetなどの伝達学習モデルを用いて,医用画像データから高次特徴を抽出する。 提案モデルは, 患者データを共有することなく, フェデレーション学習を用いて構築された。
  論文  参考訳（メタデータ） (2024-11-15T13:49:22Z)
• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• An Intelligent Quantum Cyber-Security Framework for Healthcare Data Management [4.828148213747833]
  本稿では,医療データ管理におけるセキュリティとプライバシの潜在的な問題を克服する,包括的な量子ベースのフレームワークを提案する。 提案したフレームワークは、高度な量子アプローチとより有能な量子アプローチを機械学習とを結合することで、医療データ管理全体を提供する。 提案されたIQ-HDMフレームワークと最先端の手法の実験的評価と比較は、医療データセキュリティに関連するサイバー脅威に対処する上で、67.6%の大幅な改善を概説している。
  論文  参考訳（メタデータ） (2024-10-04T08:04:48Z)
• Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
  本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。 従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
  論文  参考訳（メタデータ） (2024-07-20T10:45:06Z)
• Federated Hierarchical Tensor Networks: a Collaborative Learning Quantum AI-Driven Framework for Healthcare [0.0]
  今日の文脈では、フェデレーテッド・ラーニング(FL)は、分散機械学習の急速な進歩を助長する重要な治療法として際立っている。 本稿では,多体量子物理学の原理を応用した量子テンソルネットワークに基づく連合学習フレームワークを提案する。 一般的な医用画像データセットを用いた実験により、連合量子テンソルネットワークモデルは、曲線(ROC-AUC)の平均受信特性領域を0.91-0.98の範囲で達成した。
  論文  参考訳（メタデータ） (2024-05-13T13:32:02Z)
• Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems [1.8434042562191815]
  インターネット・オブ・メディカル・モノ(IoMT)は、従来の医療境界を超越し、反応性治療から予防への転換を可能にする。 その利点は、処理されたデータの感度と価値のために、ユーザの生活を危険にさらす、重大なセキュリティ上の課題に対処されている。 ニューラルネットワークを侵入検知に利用し、フェデレーション学習(FL)をプライバシ保護に活用する、侵入検知システムのための新しいフレームワークが導入された。
  論文  参考訳（メタデータ） (2024-03-14T11:57:26Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• 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)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• 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)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)

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。