論文の概要: Differential Privacy for Secure Machine Learning in Healthcare IoT-Cloud Systems

• arxiv url: http://arxiv.org/abs/2512.10426v1
• Date: Thu, 11 Dec 2025 08:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.283977
• Title: Differential Privacy for Secure Machine Learning in Healthcare IoT-Cloud Systems
• Title（参考訳）: 医療用IoTクラウドシステムにおけるセキュア機械学習のための差別化プライバシ
• Authors: N Mangala, Murtaza Rangwala, S Aishwarya, B Eswara Reddy, Rajkumar Buyya, KR Venugopal, SS Iyengar, LM Patnaik,
• Abstract要約: 救急医療の対応速度を高めるために,多層IoT,エッジ,クラウドアーキテクチャを提案する。 患者のデータのプライバシは、複数の機械学習モデルにまたがって差分プライバシーフレームワークを提案することで保証される。
• 参考スコア（独自算出の注目度）: 11.452686322120428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare has become exceptionally sophisticated, as wearables and connected medical devices are revolutionising remote patient monitoring, emergency response, medication management, diagnosis, and predictive and prescriptive analytics. Internet of Things and Cloud computing integrated systems (IoT-Cloud) facilitate sensing, automation, and processing for these healthcare applications. While real-time response is crucial for alleviating patient emergencies, protecting patient privacy is extremely important in data-driven healthcare. In this paper, we propose a multi-layer IoT, Edge and Cloud architecture to enhance the speed of response for emergency healthcare by distributing tasks based on response criticality and permanence of storage. Privacy of patient data is assured by proposing a Differential Privacy framework across several machine learning models such as K-means, Logistic Regression, Random Forest and Naive Bayes. We establish a comprehensive threat model identifying three adversary classes and evaluate Laplace, Gaussian, and hybrid noise mechanisms across varying privacy budgets, with supervised algorithms achieving up to 86% accuracy. The proposed hybrid Laplace-Gaussian noise mechanism with adaptive budget allocation provides a balanced approach, offering moderate tails and better privacy-utility trade-offs for both low and high dimension datasets. At the practical threshold of $\varepsilon = 5.0$, supervised algorithms achieve 82-84% accuracy while reducing attribute inference attacks by up to 18% and data reconstruction correlation by 70%. Blockchain security further ensures trusted communication through time-stamping, traceability, and immutability for analytics applications. Edge computing demonstrates 8$\times$ latency reduction for emergency scenarios, validating the hierarchical architecture for time-critical operations.
• Abstract（参考訳）: ウェアラブルやインターネットに接続された医療機器が遠隔患者の監視、緊急対応、薬物管理、診断、予測的および規範的分析に革命を起こしている。 IoTとクラウドコンピューティングの統合システム(IoT-Cloud)は、これらのヘルスケアアプリケーションの検知、自動化、処理を容易にする。 リアルタイムの対応は患者の緊急時の緩和に不可欠だが、患者のプライバシ保護はデータ駆動型医療において極めて重要である。 本稿では,救急医療の応答速度を高めるための多層IoT,エッジ,クラウドアーキテクチャを提案する。 患者のデータのプライバシは、K-means、Logistic Regression、Random Forest、Naive Bayesなど、いくつかの機械学習モデルにまたがって、差分プライバシーフレームワークを提案することで保証される。 我々は,3つの敵対クラスを識別する包括的脅威モデルを構築し,Laplace,Gaussian,ハイブリッドノイズ機構を様々なプライバシー予算で評価し,教師付きアルゴリズムの精度を最大86%向上させる。 適応予算割り当てを備えたハイブリッドラプラス・ガウスノイズ機構は、低次元と高次元の両方のデータセットに対して、適度なテールとより良いプライバシーとユーティリティのトレードオフを提供するバランスのとれたアプローチを提供する。 実際のしきい値である$\varepsilon = 5.0$では、教師付きアルゴリズムは82～84%の精度を達成し、属性推論攻撃を最大18%削減し、データ再構成相関を70%削減する。 ブロックチェーンセキュリティは、分析アプリケーションのタイムスタンプ、トレーサビリティ、不変性を通じて、信頼性の高い通信をさらに保証する。 エッジコンピューティングは、緊急シナリオのレイテンシを8$\times$削減し、時間クリティカルなオペレーションの階層的アーキテクチャを検証する。

関連論文リスト

• An N-of-1 Artificial Intelligence Ecosystem for Precision Medicine [1.2578552444269682]
  N-of-1決定支援のためのマルチエージェントエコシステムを提案する。 エージェントはモデルとエビデンス合成ツールの共有ライブラリーを描画する。 このアプローチは、医療AIと第一原理 – 透明性があり、公平で、個人中心の医療 – を結びつけることを目指している。
  論文  参考訳（メタデータ） (2025-10-28T12:28:02Z)
• Privacy-Preserving Healthcare Data in IoT: A Synergistic Approach with Deep Learning and Blockchain [0.5097809301149341]
  医療におけるIoT(Internet of Things)デバイスの統合は、リアルタイム監視、パーソナライズされた治療、効率的なデータ管理を可能にして、患者のケアに革命をもたらした。 従来のセキュリティ対策は、IoT環境がもたらすユニークな課題に対処するには不十分であることが多い。 我々は,IoT対応医療システムのセキュリティと信頼性を高めるために,総合的な3段階セキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-21T12:21:49Z)
• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• Blockchain Powered Edge Intelligence for U-Healthcare in Privacy Critical and Time Sensitive Environment [0.559239450391449]
  プライバシクリティカルで時間に敏感な健康アプリケーションのための自律型コンピューティングモデルを提案する。 このシステムは、継続的監視、リアルタイムアラート通知、疾患検出、堅牢なデータ処理と集約をサポートする。 セキュアなアクセススキームは、オフチェーンとオンチェーンのデータ共有とストレージの両方を管理するために定義される。
  論文  参考訳（メタデータ） (2025-05-31T06:58:52Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Privacy-Preserving SAM Quantization for Efficient Edge Intelligence in Healthcare [9.381558154295012]
  Segment Anything Model (SAM) はインテリジェントなイメージセグメンテーションに優れている。 SAMはリソース制限されたエッジデバイスにデプロイする上で大きな課題となる。 本研究では,原データなしで量子化パラメータを学習・校正する DFQ-SAM という,SAM のためのデータフリー量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-14T10:43:35Z)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。