論文の概要: Inner-product Functional Encryption with Fine-grained Revocation for Flexible EHR Sharing

• arxiv url: http://arxiv.org/abs/2509.07804v1
• Date: Tue, 09 Sep 2025 14:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.360238
• Title: Inner-product Functional Encryption with Fine-grained Revocation for Flexible EHR Sharing
• Title（参考訳）: フレキシブルEHR共有のための微粒化処理による内積関数暗号
• Authors: Yue Han, Jinguang Han, Liqun Chen, Chao Sun,
• Abstract要約: EHR (E-Health Record) は、医療機関が患者の健康データに便利にアクセスできるように、継続的に成長する医療データを含んでいる。 従来の公開鍵暗号化(PKE)は患者のプライバシを保護するが、暗号化されたEHRデータに対するフレキシブルな選択的計算をサポートしない。 本稿では,IPFE-FR方式の内積関数暗号を提案し,それをフレキシブルEHR共有システムに適用する。
• 参考スコア（独自算出の注目度）: 12.91562519654613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: E-health record (EHR) contains a vast amount of continuously growing medical data and enables medical institutions to access patient health data conveniently.This provides opportunities for medical data mining which has important applications in identifying high-risk patients and improving disease diagnosis, etc.Since EHR contains sensitive patient information, how to protect patient privacy and enable mining on EHR data is important and challenging.Traditional public key encryption (PKE) can protect patient privacy, but cannot support flexible selective computation on encrypted EHR data.Functional encryption (FE) allows authorised users to compute function values of encrypted data without releasing other information, hence supporting selective computation on encrypted data. Nevertheless, existing FE schemes do not support fine-grained revocation and update, so they are unsuitable for EHR system. In this paper,we first propose an inner-product functional encryption with fine-grained revocation (IPFE-FR) scheme, and then apply it to a flexible EHR sharing system. Our scheme possesses the following features:(1) a group manager can revoke a specific function computation of medical institutions on encrypted EHR data,instead of all function computation rights. (2) a revoked medical institution is not allowed to compute the function value of encrypted EHR data not only generated after the revocation, but also generated before the revocation. (3) secret keys issued to the same medical institution are bound together to prevent collusion attacks. The formal definition and security model of the IPFE-FR scheme are proposed.Furthermore, we present a concrete construction and reduce its security to the Learning with Errors (LWE) assumption which is quantum-resistant. Finally, the theoretical analysis and experimental implementation of our scheme are conducted to show its efficiency.
• Abstract（参考訳）: EHR(E-Health Record)には、大量の医療データが含まれており、医療機関が患者の健康データに便利なアクセスを可能にしている。これは、高リスク患者を識別し、疾患診断の改善に重要な応用を持つ医療データマイニングの機会を提供する。EHRには、センシティブな患者情報が含まれており、患者のプライバシを保護し、EHRデータをマイニングする方法は重要かつ困難である。先進的な公開鍵暗号化(PKE)は、患者のプライバシを保護できるが、暗号化されたEHRデータに対する柔軟な選択的計算をサポートしない。Functionalcrypt(Functional encryption)は、暗号化されたデータに対して、他の情報を公開することなく、暗号化されたデータの関数値を計算することができる。 しかしながら、既存のFEスキームはきめ細かい取り消しや更新をサポートしていないため、EHRシステムには適さない。 本稿ではまず,IPFE-FR方式を用いた内部積関数暗号を提案し,それをフレキシブルEHR共有システムに適用する。 1)グループマネージャは、すべての機能計算権の代わりに、暗号化されたEHRデータに基づいて、医療機関の特定の機能計算を無効にすることができる。 2)取り消し医療機関は、取り消し後に生成されただけでなく、取り消し前に生成された暗号化EHRデータの機能値を計算することができない。 (3)同じ医療機関に発行された秘密鍵は、共謀攻撃を防ぐために結合される。 IPFE-FR スキームの形式的定義とセキュリティモデルを提案するが、具体的な構成を示し、その安全性を量子抵抗性を持つLearning with Errors (LWE) 仮定に還元する。 最後に,提案手法の理論的解析と実験的実装を行い,その効率性を示す。

関連論文リスト

• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• Noise-Resilient Homomorphic Encryption: A Framework for Secure Data Processing in Health care Domain [0.0]
  ホモモルフィック・インテグリティ・モデル(HIM)は、暗号化されたデータ処理におけるセキュリティ、効率、信頼性を高めるために設計された。 復号化機構により、複雑な同型計算によって得られたデータが有効で信頼性が高いことが保証される。
  論文  参考訳（メタデータ） (2024-12-16T06:26:40Z)
• Confidential and Protected Disease Classifier using Fully Homomorphic Encryption [0.09424565541639365]
  多くのユーザーは、病気のために医療専門家に相談する前に、ChatGPTやBardのようなプラットフォームで潜在的な原因を探している。 このようなプラットフォームの利便性にもかかわらず、個人医療データをオンラインで共有することは、悪意のあるプラットフォームの存在を含むリスクを引き起こす。 安全かつプライベートな診断システムのためのFHEとDeep Learningを組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-05T02:10:00Z)
• Retrieval Augmented Thought Process for Private Data Handling in Healthcare [53.89406286212502]
  Retrieval-Augmented Thought Process (RATP)を紹介する。 RATPは大規模言語モデル(LLM)の思考生成を定式化する 電子カルテのプライベートデータセットにおいて、RATPは、質問応答タスクのコンテキスト内検索強化生成と比較して35%の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-12T17:17:50Z)
• A Solution for Commercializing, Decentralizing and Storing Electronic Medical Records by Integrating Proxy Re-Encryption, IPFS, and Blockchain [6.237350715303438]
  本稿では,EVM互換のブロックチェーンとIPFSを用いた分散ストレージを実現するための革新的なソリューションを提案する。 プライバシとコントロールを確保するため,医療データマーケットプレースでは,PRE(Proxy Re-Encryption)という暗号認証方式を採用しています。 ブロックチェーンのスマートコントラクトとIPFSを通じて、ユーザの健康データに対するコントロールを強化し、医療記録の整合性とプライバシを保護する。
  論文  参考訳（メタデータ） (2024-02-08T09:09:03Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• NeuraCrypt: Hiding Private Health Data via Random Neural Networks for Public Training [64.54200987493573]
  我々は,ランダムな深層ニューラルネットワークに基づくプライベート符号化方式であるNeuraCryptを提案する。 NeuraCryptは、データ所有者のみが知っているランダムに構築されたニューラルネットワークを使用して、生の患者データをエンコードする。 我々は,NeuraCryptが,様々なX線タスクの非プライベートベースラインに対して,競合精度を達成することを示す。
  論文  参考訳（メタデータ） (2021-06-04T13:42:21Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• Cryptotree: fast and accurate predictions on encrypted structured data [0.0]
  ホモモルフィック暗号化(HE)は、入力と出力の両方が暗号化される暗号化データ上での計算を可能にする能力で認められている。 線形回帰と比較して非常に強力な学習手法であるランダムフォレスト(RF)の利用を可能にするフレームワークであるCryptotreeを提案する。
  論文  参考訳（メタデータ） (2020-06-15T11:48:01Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。