論文の概要: Privacy-Preserving Federated Learning via Differential Privacy and Homomorphic Encryption for Cardiovascular Disease Risk Modeling

• arxiv url: http://arxiv.org/abs/2604.27598v2
• Date: Sun, 03 May 2026 19:15:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 14:09:07.001426
• Title: Privacy-Preserving Federated Learning via Differential Privacy and Homomorphic Encryption for Cardiovascular Disease Risk Modeling
• Title（参考訳）: 心血管疾患リスクモデリングのための差分プライバシーと同型暗号化によるプライバシ保護フェデレーション学習
• Authors: Gaurang Sharma, Juha Pajula, Aada Illikainen, Markus Rautell, Noora Lipsonen, Petri Alhainen, Mika Hilvo,
• Abstract要約: フェデレートラーニング(FL)は、組織がモデルをローカルにトレーニングし、モデル更新のみを共有することによって、データの集中化を減らす。 FLにおけるDPとHEの統合を実環境下で評価し,多施設間におけるプライバシ・ユーティリティのトレードオフを定量的に評価した。 DPのFLは計算コストを低下させたが、LRはNNよりもキャリブレーションノイズに敏感であったため、性能は低下した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protecting sensitive health data while enabling collaborative analysis is a central challenge in healthcare. Traditional machine learning (ML) requires institutions to pool anonymized patient records, centralizing analytical development and privacy risks at a single site. Privacy-enhancing technologies (PETs), including Differential Privacy (DP) and Homomorphic Encryption (HE), can mitigate these risks. However, they are mainly studied in conventional data-sharing settings and often introduce trade-offs, including reduced model utility, higher computational cost, and increased implementation complexity. Federated Learning (FL) reduces data centralization by enabling institutions to train models locally and share only model updates. Nevertheless, FL does not eliminate privacy risks, as shared parameters or gradients may still reveal sensitive information. Integrating DP or HE into FL can strengthen privacy guarantees, yet their comparative performance and deployment implications in real-world healthcare settings remain unclear. We systematically evaluated DP and HE integration in FL under real-world conditions, comparing them with standard FL and centralized ML (cML) to quantify privacy-utility trade-offs in multi-institutional settings. Using nationwide Swedish healthcare data, we evaluated cardiovascular disease risk prediction using logistic regression (LR) and neural network (NN) learners. FL with HE achieved performance comparable to cML but introduced measurable cryptographic overhead, particularly in the NN implementation. FL with DP incurred lower computational cost; however, LR was more sensitive to calibrated noise than the NN, resulting in greater performance degradation. Our findings provide practical guidance for deploying privacy-preserving FL in fragmented healthcare systems.
• Abstract（参考訳）: 機密性の高い健康データを保護し、協調分析を可能にすることは、医療における中心的な課題である。 従来の機械学習(ML)では、匿名化された患者の記録をプールし、分析的開発とプライバシリスクを単一のサイトで集中化する必要がある。 差別化プライバシ(DP)やホモモルフィック暗号化(HE)など、プライバシ向上技術(PET)はこれらのリスクを軽減することができる。 しかし、それらは主に従来のデータ共有設定で研究されており、モデルユーティリティの削減、計算コストの向上、実装の複雑さの向上など、トレードオフをしばしば導入している。 フェデレートラーニング(FL)は、組織がモデルをローカルにトレーニングし、モデル更新のみを共有することによって、データの集中化を減らす。 それでもFLはプライバシー上のリスクを排除していない。 DPやHEをFLに統合することは、プライバシの保証を強化することができるが、実際の医療環境におけるそれらのパフォーマンスとデプロイメントの影響は、まだ不明である。 実世界の条件下でのDPとHEの統合を体系的に評価し、それらを標準FLと集中型ML(cML)と比較し、多施設間におけるプライバシー利用トレードオフの定量化を行った。 全国的なスウェーデンの医療データを用いて,ロジスティック回帰(LR)とニューラルネットワーク(NN)学習者を用いて心血管疾患のリスク予測を行った。 FL with HEは、cMLに匹敵する性能を達成したが、特にNN実装において、測定可能な暗号オーバーヘッドを導入した。 DPのFLは計算コストを低下させたが、LRはNNよりもキャリブレーションノイズに敏感であったため、性能は低下した。 本研究は,断片化医療システムにおけるプライバシ保護FLの展開に関する実践的ガイダンスを提供する。

関連論文リスト

• 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)
• Differentially private federated learning for localized control of infectious disease dynamics [35.86592939525651]
  流行の時、感染拡大を緩和するために急激な反応が必要である。 本研究では,関連地域保健機関(LHA)が管理するドイツの郡と地域を基盤とした地域戦略を検討する。 詳細な状況データの提供に反対しないためにプライバシの保存を行うために,プライバシ保存予測手法を提案する。
  論文  参考訳（メタデータ） (2025-09-17T14:28:04Z)
• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• 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)
• FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning [17.853502904387376]
  Federated Learning (FL)は、分散クライアント間で、ローカルデータを共有せずにモデルの協調的なトレーニングを可能にし、分散システムにおけるプライバシの問題に対処する。 適応雑音注入による制御摂動を組み込んだ新しいアルゴリズムであるフェデレートエラー最小化(FedEM)を提案する。 ベンチマークデータセットの実験結果から、FedEMはプライバシのリスクを著しく低減し、モデルの正確性を保ち、プライバシ保護とユーティリティ保護の堅牢なバランスを達成している。
  論文  参考訳（メタデータ） (2025-03-08T02:48:00Z)
• Quantum-Inspired Privacy-Preserving Federated Learning Framework for Secure Dementia Classification [0.0]
  本稿では,認知症分類のための量子インスピレーション暗号技術とフェデレーション学習を統合した新しいフレームワークを提案する。 このフレームワークは、低所得国と中所得国でAI駆動型認知症診断へのアクセスを民主化する上で重要な意味を持つ。
  論文  参考訳（メタデータ） (2025-03-05T08:49:31Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• Federated Learning with Privacy-Preserving Ensemble Attention Distillation [63.39442596910485]
  Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。 本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。 我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
  論文  参考訳（メタデータ） (2022-10-16T06:44:46Z)
• 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)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。