論文の概要: Privacy-Preserving Federated Autoencoder for ECG Anomaly Detection on Edge Devices

• arxiv url: http://arxiv.org/abs/2606.11556v1
• Date: Wed, 10 Jun 2026 01:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.235724
• Title: Privacy-Preserving Federated Autoencoder for ECG Anomaly Detection on Edge Devices
• Title（参考訳）: エッジデバイスにおけるECG異常検出のためのプライバシ保護フェデレーションオートエンコーダ
• Authors: Kaan Arda Akyol, Jakub Kacper Szeląg, Aydin Abadi, Maha Alghamdi, Ghadah Albalawi, Ghouse Ibrahim Kaleelullah, Hilal Tutus, Sarah Al Subaiei, Shardul Kapse, Syed Mohammed Raheeb, Mujeeb Ahmed, Rehmat Ullah,
• Abstract要約: 連続心電図(ECG)は心血管イベントにエスカレートする前に異常を呈する可能性がある。 システムは3つの要件を同時に満たさなければならない。法的グレードのプライバシ(ROC)、制約付きエッジハードウェアの推論、検出品質である。 教師なし異常検出のためのエンドツーエンドのフェデレーションシステムの設計と評価を行う。 本研究の主な貢献は、これらのメカニズムがどのように構成されるかの実証的特徴、実用的なDP固有の勧告、臨床的に敏感な設定のための技術およびセキュリティ上の洞察である。
• 参考スコア（独自算出の注目度）: 1.8676286428302982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous electrocardiography (ECG) monitoring could surface rhythm abnormalities before they escalate into cardiovascular events. However, a deployable system must satisfy three requirements simultaneously: legal-grade privacy (GDPR, HIPAA), real-time inference on constrained edge hardware, and detection quality under non-IID cross-hospital data. We design and evaluate an end-to-end federated system addressing all three for unsupervised 12-lead ECG anomaly detection on PTB-XL dataset, combining three autoencoder families (VanillaAE, ConvAE, VAE), Flower-based federated averaging (FedAvg) across ten simulated hospitals, client-side differentially private SGD (DP-SGD) with a Rényi-DP accountant, and 8-bit integer (INT8) post-training quantization with Raspberry Pi 4 benchmarking. Our main contributions are: an empirical characterization of how these mechanisms compose, practical DP-specific recommendations, and technical and security insights for a clinically sensitive setting. Federated learning matches or exceeds the centralized baseline across all architectures (ConvAE federated area under the ROC curve, AUROC, $0.782$), and an $\varepsilon$ sweep identifies $\varepsilon=4$ as the recommended clinical operating point. INT8 quantization roughly halves model size and cuts Pi 4 latency by up to $44%$ with $<0.12%$ AUROC loss. Crucially, DP and quantization penalties are empirically independent, so practitioners need not trade a strong privacy guarantee for a compact edge footprint. To our knowledge, this is the first system combining federated learning, formal $(\varepsilon,δ)$-DP, unsupervised reconstruction-based detection, and quantized AArch64 deployment.
• Abstract（参考訳）: 連続心電図(ECG)モニタリングは、心血管イベントにエスカレートする前にリズム異常を生じさせる可能性がある。 しかし、デプロイ可能なシステムは3つの要件を同時に満たさなければならない: 法定プライバシ(GDPR, HIPAA)、制約付きエッジハードウェアのリアルタイム推論、非IIDクロスホスピタルデータによる検出品質。 我々は, PTB-XLデータセット上で, 教師なし12リードECG異常検出に対処するエンドツーエンドフェデレーションシステムの設計と評価を行い, 3つのオートエンコーダファミリ(VanillaAE, ConvAE, VAE), フラワーベースフェデレーション平均化(FedAvg)を10のシミュレート病院, クライアント側差分専用SGD(DP-SGD)とレニーDP会計士, 8ビット整数(INT8)を併用して, Raspberry Pi 4ベンチマークによるポストトレーニング後の量子化を行った。 本研究の主な貢献は、これらのメカニズムがどのように構成されるかの実証的特徴、実用的なDP固有の勧告、臨床的に敏感な設定のための技術およびセキュリティ上の洞察である。 フェデレーションラーニングは、すべてのアーキテクチャ(ROC曲線下のConvAEフェデレーションエリア、AUROC、$0.782$)の中央ベースラインと一致または超過し、$\varepsilon$ sweepは推奨臨床手術ポイントとして$\varepsilon=4$を識別する。 INT8の量子化は、モデルサイズをほぼ半分にし、Pi 4のレイテンシを最大44%、AUROCの損失を$<0.12%まで削減する。 重要なことは、DPと量子化の罰則は経験的に独立しているため、実践者はコンパクトなエッジフットプリントに対して強力なプライバシー保証を交換する必要はない。 我々の知る限り、これは連邦学習、フォーマルな$(\varepsilon,δ)$-DP、教師なし再構成に基づく検出、量子化されたAArch64デプロイメントを組み合わせた最初のシステムである。

関連論文リスト

• DSTAN-Med: Dual-Channel Spatiotemporal Attention with Physiological Plausibility Filtering for False Data Injection Attack Detection in IoT-Based Medical Devices [1.1459450491541954]
  インターネット・オブ・メディカル・モノ(IoMT)センサーに対するFalse Data Injection(FDI)攻撃は、トランジットにおける重要な兆候を偽る。 既存のディープラーニング検出器は、センサ間の空間的相関と、共有潜在空間における時間的依存関係を分割する。 DSTAN-Medは多変量センサウインドウを独立センサワイド(SWA)および時間ワイド(TWA)自己アテンション経路を介してルーティングする教師付きフレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T22:39:47Z)
• UCTECG-Net: Uncertainty-aware Convolution Transformer ECG Network for Arrhythmia Detection [13.993637404760355]
  UCTECG-Netは1次元の畳み込みとトランスフォーマーエンコーダを組み合わせて生のECG信号を処理する不確実性を考慮したハイブリッドアーキテクチャである。 MIT-BIH Arrhythmia と PTB Analysis データセットで評価し、UCTECG-Net は LSTM, CNN1D, Transformer のベースラインを精度、精度、リコール、F1 スコアで上回っている。
  論文  参考訳（メタデータ） (2026-02-18T06:39:19Z)
• Towards Zero-Shot Point Cloud Registration Across Diverse Scales, Scenes, and Sensor Setups [41.033896572767496]
  ゼロショット一般化を実現するトレーニングフリー登録フレームワークであるBUFFER-Xを提案する。 提案手法は階層型マルチスケールマッチングを用いて,局所,中,大域の受容領域にまたがる対応を抽出する。 効率クリティカルなアプリケーションでは、BUFFER-X-Liteを導入し、総時間を43%削減する。
  論文  参考訳（メタデータ） (2026-01-06T06:51:24Z)
• Unified Review and Benchmark of Deep Segmentation Architectures for Cardiac Ultrasound on CAMUS [39.950953035207384]
  心臓超音波セグメンテーションの文献的考察と,3つの重要なアーキテクチャの比較を行った。 ベンチマークでは,NIfTIボリューム,16ビットPNGエクスポート,GPT支援多角形擬似ラベル,自己教師付き事前学習など,複数の前処理経路にまたがる。
  論文  参考訳（メタデータ） (2025-12-27T06:07:57Z)
• Deep Omni-supervised Learning for Rib Fracture Detection from Chest Radiology Images [41.62893318123283]
  ディープラーニング(DL)に基づくリブ骨折検出は、死亡を予防し、患者の予後を改善する上で重要な役割を担っている。 DLベースのオブジェクト検出モデルは、大量のバウンディングボックスアノテーションを必要とします。 医用データの注釈付けは時間がかかり専門知識が要求されるため、大量の細かい注釈を得られることは極めて不可能である。 我々は,ORF-Netv2という新しいオブジェクト検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-23T05:36:03Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• End-to-end Prostate Cancer Detection in bpMRI via 3D CNNs: Effect of Attention Mechanisms, Clinical Priori and Decoupled False Positive Reduction [0.0]
  本研究では、Bi-parametric MR Imaging (bpMRI) における臨床的に重要な前立腺癌(csa)の自動局在化のための新しい3Dコンピュータ支援診断モデルを提案する。 ディープアテンションメカニズムはその検出ネットワークを駆動し、多解像度で健全な構造と高度に識別可能な特徴次元をターゲットにしている。 CNNベースのモデルは、独立コホートにおける生検で確認された悪性腫瘍を検出するために訓練することができる。
  論文  参考訳（メタデータ） (2021-01-08T22:59:30Z)

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。