論文の概要: Building Privacy-and-Security-Focused Federated Learning Infrastructure for Global Multi-Centre Healthcare Research

• arxiv url: http://arxiv.org/abs/2603.10063v1
• Date: Mon, 09 Mar 2026 22:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.605794
• Title: Building Privacy-and-Security-Focused Federated Learning Infrastructure for Global Multi-Centre Healthcare Research
• Title（参考訳）: グローバルマルチセンター医療研究のためのプライバシとセキュリティを重視したフェデレーション学習基盤の構築
• Authors: Fan Zhang, Daniel Kreuter, Javier Fernandez-Marques, BloodCounts Consortium, Gregory Verghese, Bernard Butler, Nicholas Lane, Suthesh Sivapalaratnam, Joseph Taylor, Norbert C. J. de Wit, Nicholas S. Gleadall, Carola-Bibiane Schönlieb, Michael Roberts,
• Abstract要約: FLA$3$は、ランタイムポリシーの執行を通じて規制義務を運用する、ガバナンス対応の連邦学習プラットフォームである。 4か国に5つのBloodCounts!コンソーシアム機関にプラットフォームをデプロイすることで、運用実現可能性を示す。 第2に,25施設にわたる35,315名の被験者54,446名の血液量(FBC)データをシミュレートしたフェデレーションを用いて臨床効果を評価する。
• 参考スコア（独自算出の注目度）: 14.217282458709013
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Collaborative healthcare research across multiple institutions increasingly requires diverse clinical datasets, but cross-border data sharing is strictly constrained by privacy regulations. Federated learning (FL) enables model training while keeping data local; however, many existing frameworks remain proof-of-concept and do not adequately address governance risks such as unauthorised participation, misuse, and lack of accountability. In particular, enforceable mechanisms for authentication, authorisation, and accounting (AAA) are often missing, limiting real-world clinical deployment. This paper presents FLA$^3$ (Federated Learning with Authentication, Authorisation, and Accounting), a governance-aware federated learning platform that operationalises regulatory obligations through runtime policy enforcement. FLA$^3$ integrates eXtensible Access Control Markup Language (XACML) compliant attribute-based access control (ABAC), cryptographic accounting, and study-scoped federation directly into the federated learning orchestration layer to enforce institutional sovereignty and protocol adherence. We evaluate FLA$^3$ through two complementary studies. First, we demonstrate operational feasibility by deploying the platform infrastructure across five BloodCounts! Consortium institutions in four countries: United Kingdom, Netherlands, India, and The Gambia. Second, we assess clinical utility using simulated federation of full blood count (FBC) data from 54,446 samples from 35,315 subjects across 25 centres in the INTERVAL study. Results show that FLA$^3$ achieves predictive performance comparable to centralised training while strictly enforcing governance constraints. These results show that enforceable governance can function as a first-class privacy-preserving control, improving trustworthiness for scalable artificial intelligence (AI) in cross-jurisdictional healthcare deployments.
• Abstract（参考訳）: 複数の機関にわたる共同医療研究は、多種多様な臨床データセットを必要とするが、国境を越えたデータ共有はプライバシー規制によって厳格に制限されている。 フェデレートラーニング(FL)は、データをローカルに保ちながらモデルトレーニングを可能にするが、既存のフレームワークの多くは概念実証のままであり、未承認の参加や誤用、説明責任の欠如といったガバナンスリスクに適切に対処しない。 特に、認証、認可、会計(AAA)のための強制可能なメカニズムが欠落しており、実際の臨床展開を制限している。 本稿では,FLA$^3$ (Federated Learning with Authentication, Authorisation, and Accounting)について述べる。 FLA$^3$は、eXtensible Access Control Markup Language (XACML)準拠の属性ベースのアクセス制御(ABAC)、暗号会計、研究スコープによるフェデレーションを直接フェデレーション学習オーケストレーション層に統合し、機関の主権とプロトコルの遵守を強制する。 FLA$^3$を2つの相補研究により評価した。 まず、プラットフォームインフラストラクチャを5つのBloodCountにデプロイすることで、運用実現可能性を示す。 イギリス、オランダ、インド、ガンビアの4カ国のコンソーシアムである。 第2に,25施設にわたる35,315名の被験者54,446名の血液量(FBC)データをシミュレートしたフェデレーションを用いて臨床効果を評価する。 FLA$^3$は、厳密なガバナンス制約を課しながら、集中型トレーニングに匹敵する予測性能を達成することを示す。 これらの結果は、強制可能なガバナンスが第一級のプライバシ保護コントロールとして機能し、断続的な医療デプロイメントにおけるスケーラブルな人工知能(AI)の信頼性を向上させることを示している。

関連論文リスト

• Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
  最小コア(LC)概念に基づく配当フレームワークを提案する。 従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。 統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
  論文  参考訳（メタデータ） (2026-02-03T11:10:50Z)
• Trustworthy Blockchain-based Federated Learning for Electronic Health Records: Securing Participant Identity with Decentralized Identifiers and Verifiable Credentials [0.06372261626436676]
  本稿では,SSI(Self-Sovereign Identity)標準を統合したTBFL(Trustworthy-based Federated Learning)フレームワークを提案する。 以上の結果から,Sybil攻撃の100%を中和し,高い予測性能を実現し,計算オーバーヘッドを無視できることを示した。 このアプローチは、施設間健康データコラボレーションのためのセキュアでスケーラブルで経済的に実行可能なエコシステムを提供する。
  論文  参考訳（メタデータ） (2026-02-02T17:45:58Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Safe and Certifiable AI Systems: Concepts, Challenges, and Lessons Learned [45.44933002008943]
  この白書は、T"UV AUSTRIA Trusted AIフレームワークを提示する。 エンド・ツー・エンドの監査カタログであり、機械学習システムの評価と認定のための方法論である。 セキュアなソフトウェア開発、機能要件、倫理とデータプライバシという3つの柱の上に構築されているのは、EU AI Actの高レベルの義務を、特定かつテスト可能な基準に翻訳するものです。
  論文  参考訳（メタデータ） (2025-09-08T17:52:08Z)
• PETLP: A Privacy-by-Design Pipeline for Social Media Data in AI Research [2.185322080975722]
  PETLP(Privacy-by-Design Extract, Transform, Load, Present)は、法的保護を拡張パイプラインに直接組み込むコンプライアンスフレームワークである。 我々は,研究機関間で抽出権が根本的に異なることを実証する。 ソーシャルメディアデータに対して、真の匿名化が実現不可能な理由が示されている。
  論文  参考訳（メタデータ） (2025-08-12T08:33:40Z)
• Inclusive, Differentially Private Federated Learning for Clinical Data [1.8386868491525161]
  Federated Learning(FL)は、センシティブな患者データを集中化せずに、臨床AIモデルをトレーニングするための有望なアプローチを提供する。 実際の採用は、プライバシやリソース制約、コンプライアンスに関する課題によって妨げられています。 本稿では,定量的クライアントコンプライアンススコアに基づいて適応的にノイズを調整することでDPを向上する新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-28T08:36:21Z)
• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• A cautionary tale on the cost-effectiveness of collaborative AI in real-world medical applications [3.2821049498759094]
  統合学習(FL)は、機密性の高い医療アプリケーションで協調AIを可能にする協調学習パラダイムとして広く普及している。 本研究では,FLパネルとコンセンサスに基づく学習手法の精度とコスト効率のベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-09T13:50:52Z)
• FedSOV: Federated Model Secure Ownership Verification with Unforgeable Signature [60.99054146321459]
  フェデレートラーニングにより、複数のパーティがプライベートデータを公開せずにグローバルモデルを学ぶことができる。 本稿では,FedSOVという暗号署名に基づくフェデレート学習モデルのオーナシップ検証手法を提案する。
  論文  参考訳（メタデータ） (2023-05-10T12:10:02Z)
• 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)

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。