論文の概要: A Robust Framework for Secure Cardiovascular Risk Prediction: An Architectural Case Study of Differentially Private Federated Learning

• arxiv url: http://arxiv.org/abs/2603.13293v1
• Date: Sat, 28 Feb 2026 09:36:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.275088
• Title: A Robust Framework for Secure Cardiovascular Risk Prediction: An Architectural Case Study of Differentially Private Federated Learning
• Title（参考訳）: 安全な心血管リスク予測のためのロバストフレームワーク--差分私的フェデレーション学習のアーキテクチャ的ケーススタディ
• Authors: Rodrigo Tertulino, Laércio Alencar,
• Abstract要約: FedCVR Learningは、異種臨床ネットワークに適用されるプライバシー保護フレームワークである。 我々は,サーバサイド適応最適化の運用上のトレードオフを,ユーティリティ優先の差分プライバシーの下で定量化する。 以上の結果から,サーバ側の適応性は,現実的なプライバシ予算の下で臨床ユーティリティを回復するための構造的前提条件であることが確認された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate cardiovascular risk prediction is crucial for preventive healthcare; however, the development of robust Artificial Intelligence (AI) models is hindered by the fragmentation of clinical data across institutions due to stringent privacy regulations. This paper presents a comprehensive architectural case study validating the engineering robustness of FedCVR, a privacy-preserving Federated Learning framework applied to heterogeneous clinical networks. Rather than proposing a new theoretical optimizer, this work focuses on a systems engineering analysis to quantify the operational trade-offs of server-side adaptive optimization under utility-prioritized Differential Privacy (DP). By conducting a rigorous stress test in a high-fidelity synthetic environment calibrated against real-world datasets (Framingham, Cleveland), we systematically evaluate the system's resilience to statistical noise. The validation results demonstrate that integrating server-side momentum as a temporal denoiser allows the architecture to achieve a stable F1-score of 0.84 and an Area Under the Curve (AUC) of 0.96, statistically outperforming standard stateless baselines. Our findings confirm that server-side adaptivity is a structural prerequisite for recovering clinical utility under realistic privacy budgets, providing a validated engineering blueprint for secure multi-institutional collaboration.
• Abstract（参考訳）: 心臓血管の正確なリスク予測は予防医療において重要であるが、堅牢な人工知能(AI)モデルの開発は、厳格なプライバシ規制による臨床データの断片化によって妨げられている。 本稿では,異種臨床ネットワークに適用したプライバシー保護型フェデレーション学習フレームワークであるFedCVRの工学的堅牢性を検証した総合的アーキテクチャケーススタディを提案する。 この研究は、新しい理論最適化の提案よりも、実用優先微分プライバシー(DP)の下でサーバサイド適応最適化の運用上のトレードオフを定量化するためのシステムエンジニアリング分析に焦点を当てている。 実世界のデータセット(フラミンガム、クリーブランド)に対して校正された高忠実な合成環境下で厳密なストレス試験を行うことで、統計的ノイズに対するシステムのレジリエンスを体系的に評価する。 検証結果は、サーバ側の運動量を時間デノイザとして統合することで、安定したF1スコアが0.84、エリアアンダー・ザ・カーブ(AUC)が0.96となり、標準的なステートレスベースラインを統計的に上回ることを示す。 以上の結果から,サーバ側の適応性は,現実的なプライバシ予算の下で臨床ユーティリティを回復するための構造的前提として必要不可欠であることが確認された。

関連論文リスト

• Communication-Efficient Federated Risk Difference Estimation for Time-to-Event Clinical Outcomes [6.902175525401806]
  FedRDは、分散サバイバルデータにおけるフェデレーションリスク差推定のための通信効率のよいフレームワークである。 FedAvgベースのフレームワークにはない信頼区間と仮説テストを提供する。 FedRDは、推定と予測の両方のパフォーマンスにおいて、ローカルベースラインとフェデレーションベースラインを上回っます。
  論文  参考訳（メタデータ） (2026-01-21T02:59:30Z)
• Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
  本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。 主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
  論文  参考訳（メタデータ） (2025-12-19T10:17:00Z)
• A Robust Pipeline for Differentially Private Federated Learning on Imbalanced Clinical Data using SMOTETomek and FedProx [0.0]
  Federated Learning (FL)は、共同健康研究のための画期的なアプローチである。 FLは、差分プライバシー(DP)と組み合わせて正式なセキュリティ保証を提供する プライバシーユーティリティフロンティアで最適な運用領域が特定された。
  論文  参考訳（メタデータ） (2025-08-06T20:47:50Z)
• 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)
• Quantifying Robustness: A Benchmarking Framework for Deep Learning Forecasting in Cyber-Physical Systems [44.61435605872856]
  我々は,産業用CPSに合わせて,分散ロバスト性に基づく実用的ロバスト性定義を導入する。 本フレームワークは,センサドリフト,ノイズ,不規則サンプリングなどの現実的な乱れをシミュレートし,予測モデルの徹底的なロバスト性解析を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T14:50:48Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Differential privacy and robust statistics in high dimensions [49.50869296871643]
  高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。 本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
  論文  参考訳（メタデータ） (2021-11-12T06:36:40Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• 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)

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。