論文の概要: Technical Case Study of Privacy-Enhancing Technologies (PETs) for Public Health

• arxiv url: http://arxiv.org/abs/2603.13444v1
• Date: Fri, 13 Mar 2026 13:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.213789
• Title: Technical Case Study of Privacy-Enhancing Technologies (PETs) for Public Health
• Title（参考訳）: プライバシ・エンハンシング技術(PET)の公衆衛生への適用事例
• Authors: Avinash Laddha, Danil Mikhailov, Uyi Stewart,
• Abstract要約: このプロジェクトでは、差分プライバシ(DP)を使用して、現実的でプライバシに保護された合成金融トランザクションデータを作成する。 分析の結果,このDP保護データには,公衆衛生に対する空間的・時間的・予測的な有意な能力があることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a technical case study on the Privacy-Enhancing Technologies (PETs) for Public Health Challenge, a collaborative effort to safely leverage sensitive private sector data for social impact, specifically pandemic management. The project utilized Differential Privacy (DP) to create realistic, privacy-preserved synthetic financial transaction data, which was then combined with public health and mobility datasets. This approach successfully addressed the critical hurdle of sharing sensitive financial information for research and policy. The analysis demonstrated that this synthetic, DP-protected data possesses significant spatial-temporal and predictive power for public health. Key outcomes include the development of six reusable tools and frameworks supporting diagnostic nowcasting (e.g., Hotspot Detection, Pandemic Adherence Monitoring) and predictive forecasting (e.g., Mobility Analysis, Contact Matrix Estimation) for epidemiological decision-making. The study provides best practices for advancing data sharing in a privacy-compliant manner.
• Abstract（参考訳）: 本稿では、社会的影響、特にパンデミック管理のために機密性の高い民間セクターデータを安全に活用するための、公共衛生チャレンジのためのプライバシ・エンハンシング・テクノロジー(PET)に関する技術的なケーススタディを示す。 このプロジェクトでは、差分プライバシ(DP)を使用して、現実的でプライバシに保護された合成金融トランザクションデータを作成し、公衆衛生およびモビリティデータセットと組み合わせた。 このアプローチは、調査と政策のために機密性の高い財務情報を共有するという重大なハードルにうまく対処した。 分析の結果,このDP保護データには,公衆衛生に対する空間的・時間的・予測的な有意な能力があることが判明した。 主な成果として、診断のノウキャスティング(ホットスポット検出、パンデミック・アジェンスモニタリングなど)と予測予測(モビリティ分析、コンタクトマトリックス推定など)をサポートする6つの再利用可能なツールとフレームワークの開発がある。 この研究は、プライバシーに準拠した方法でデータ共有を進めるためのベストプラクティスを提供する。

関連論文リスト

• Federated Data Analytics for Cancer Immunotherapy: A Privacy-Preserving Collaborative Platform for Patient Management [0.03262230127283451]
  コネクテッドヘルスは、健康管理に焦点を当てた多分野のアプローチである。 データ分析は、インフォームドな意思決定とヘルス共同創造に重要な洞察を与えることができる。 本論文は,介護連続体全体にわたる利害関係者の統合を目的とした協調的デジタルフレームワークに寄与する。
  論文  参考訳（メタデータ） (2025-10-10T08:57:41Z)
• Differential Privacy-Driven Framework for Enhancing Heart Disease Prediction [7.473832609768354]
  マシンラーニングは医療において重要であり、パーソナライズされた治療、早期疾患の検出、予測分析、画像解釈、薬物発見、効率的な手術、患者のモニタリングをサポートする。 本稿では、差分プライバシーとフェデレーション学習を含む機械学習手法を用いて、プライバシ保護モデルを開発する。 その結果、差分プライバシーを持つフェデレーション学習モデルを用いることで、テスト精度が85%向上し、患者データがプロセスを通して安全でプライベートであることが確認された。
  論文  参考訳（メタデータ） (2025-04-25T01:27:40Z)
• Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [58.61680631581921]
  メンタルヘルス障害は、深い個人的・社会的負担を生じさせるが、従来の診断はリソース集約的でアクセシビリティが制限される。 本稿では、これらの課題を考察し、匿名化、合成データ、プライバシー保護トレーニングを含む解決策を提案する。 臨床的な意思決定をサポートし、メンタルヘルスの結果を改善する、信頼できるプライバシを意識したAIツールを進化させることを目標としている。
  論文  参考訳（メタデータ） (2025-02-01T15:10:02Z)
• The Gradient of Health Data Privacy [15.417809900388262]
  本稿では、健康データガバナンスに対する新たな「プライバシ・グラデーション」アプローチを紹介する。 我々の多次元概念は、データ感度、利害関係者の関係、使用目的、時間的側面などの要因を考察する。 このアプローチは、世界中の多様な医療環境において、重要なプライバシー問題にどのように対処できるかを実証する。
  論文  参考訳（メタデータ） (2024-10-01T17:35:18Z)
• Privacy-Preserving Collaborative Genomic Research: A Real-Life Deployment and Vision [2.7968600664591983]
  本稿ではLynx.MDと共同で開発されたゲノム研究のためのプライバシ保護フレームワークを提案する。 このフレームワークは、重要なサイバーセキュリティとプライバシの課題に対処し、プライバシ保護によるゲノムデータの共有と分析を可能にする。 Lynx.MD内でのフレームワークの実装には、ゲノムデータをバイナリ形式に符号化し、制御された摂動技術を通じてノイズを適用することが含まれる。
  論文  参考訳（メタデータ） (2024-07-12T05:43:13Z)
• Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
  個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。 本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。 我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
  論文  参考訳（メタデータ） (2024-07-04T08:29:27Z)
• Preserving The Safety And Confidentiality Of Data Mining Information In Health Care: A literature review [0.0]
  PPDM技術は、膨大な量のデータから実行可能な洞察を抽出することを可能にする。 機密情報の開示は患者のプライバシーを侵害する。 本稿では,プライバシ保護機構,データ保護規制,緩和戦略に関する関連研究のレビューを行う。
  論文  参考訳（メタデータ） (2023-10-30T05:32:15Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• 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。