論文の概要: Towards End-to-End Privacy-Preserving AI for Real-Time ECG Monitoring

• arxiv url: http://arxiv.org/abs/2610.25094v1
• Date: Sun, 18 Oct 2026 07:58:57 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:25:42.413262
• Title: Towards End-to-End Privacy-Preserving AI for Real-Time ECG Monitoring
• Title（参考訳）: リアルタイムECGモニタリングのためのエンドツーエンドのプライバシ保護AIを目指して
• Abstract要約: 本研究は、エンドツーエンドのプライバシー保護ECG AIのための統合ライフサイクルフレームワークを開発する。 新たなプライバシメカニズムを導入するのではなく、臨床ECGライフサイクル全体にわたって補完的なプライバシ強化技術を編成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Healthcare artificial intelligence is shifting from centralized archives toward distributed pipelines that combine wearables, edge processing, cloud analytics, and multi-institutional learning. In this regime, electrocardiogram (ECG) streams cross multiple trust boundaries, so privacy cannot be reduced to a single transmission control. Existing privacy-enhancing technologies typically secure isolated stages and leave gaps between acquisition, analysis, and institutional collaboration. This doctoral research develops a unified lifecycle framework for end-to-end privacy-preserving ECG AI. Rather than introducing another privacy mechanism, it orchestrates complementary privacy-enhancing technologies across the clinical ECG lifecycle, allocating each mechanism to the trust boundary where its security, computational, and operational properties are most appropriate. Three interoperable modules instantiate the framework: AES with CKKS-based homomorphic statistics for secure monitoring; adaptive chaotic protection for low-latency edge transmission; and federated learning with homomorphic aggregation under heterogeneous partitions. Across prototype monitoring, signal-security analysis, and simulated collaboration, the programme shows that privacy layers can be composed without collapsing diagnostic utility, while exposing overhead and fidelity limits that constrain clinical translation.
• Abstract（参考訳）: ヘルスケアの人工知能は、中央集権的なアーカイブから、ウェアラブル、エッジ処理、クラウド分析、多施設学習を組み合わせた分散パイプラインへとシフトしている。 この体制では、心電図(ECG)ストリームが複数の信頼境界を越えているため、プライバシーは単一の送信制御に還元できない。 既存のプライバシー強化技術は、通常、独立したステージを確保し、買収、分析、制度的なコラボレーションのギャップを埋める。 この博士論文は、エンドツーエンドのプライバシー保護ECG AIのための統合ライフサイクルフレームワークを開発する。 新たなプライバシメカニズムを導入するのではなく、臨床ECGライフサイクル全体にわたって補完的なプライバシ強化技術を編成し、セキュリティ、計算、運用プロパティが最も適している信頼境界に各メカニズムを割り当てる。 AES with CKKS based homomorphic statistics for secure monitoring, Adaptive Chaotic protection for low-latency edge transmission, and federated learning with homomorphic aggregates under heterogeneous partitions。 プロトタイプの監視、信号セキュリティ分析、シミュレートされたコラボレーションを通じて、このプログラムは、臨床翻訳を制約するオーバーヘッドと忠実さの制限を露呈しながら、診断ユーティリティを損なうことなく、プライバシレイヤを構成することができることを示した。

関連論文リスト

• Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。 本稿では,複雑な構成機構の認証のためのフレームワークを提案する。 複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T22:17:29Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• Position: Embodied AI Requires a Privacy-Utility Trade-off [18.27271917317112]
  次世代エンボディードAI(SPINE)におけるセキュアプライバシ統合を提案する。 SPINEはプライバシを、EAIライフサイクル全体を通して、クロスステージ結合を管理するダイナミックコントロールシグナルとして扱う。 プライバシ制約が下流にどのように伝播してシステム動作を再形成するかを概念的に検証するために,予備シミュレーションと実世界のケーススタディを実施している。
  論文  参考訳（メタデータ） (2026-05-06T15:16:05Z)
• Key-Embedded Privacy for Decentralized AI in Biomedical Omics [43.072683741556126]
  本稿では,Implicit Neural Representation に基づく軽量なフェデレーション学習手法 INFL を提案する。 INFLは、実用性を維持しながら、強力な制御可能なプライバシを実現し、下流の科学および臨床応用のためのユーティリティを保存する。
  論文  参考訳（メタデータ） (2026-03-30T12:04:50Z)
• Synthetic Cardiac MRI Image Generation using Deep Generative Models [0.4733942082447995]
  人工心臓MRI(CMRI)は, 注記医用画像データの不足を克服するための有望な戦略として浮上している。 GAN、VAE、拡散確率モデル、フローマッチング技術の最近の進歩は、解剖学的に正確な画像を生成することを目的としている。 このレビューは、忠実度、実用性、プライバシのレンズによる既存のCMRI生成アプローチを比較することを目的としている。
  論文  参考訳（メタデータ） (2026-03-25T19:37:05Z)
• Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks [2.4149105714758545]
  本研究は、異種医療データセット用に設計されたプライバシ保護協調医療画像セグメンテーションフレームワーク(PPCMI-SF)を紹介する。 サーバ側の統一マッピングネットワークは、複数スケールの潜時-潜時変換を実行し、生データを公開することなくセグメンテーション推論を可能にする。
  論文  参考訳（メタデータ） (2026-03-04T12:05:45Z)
• Secure Multi-Modal Data Fusion in Federated Digital Health Systems via MCP [0.0]
  本研究では,モデルコンテキストプロトコル(MCP)を,セキュアなクロスエージェント通信のための相互運用層として活用する新しいフレームワークを提案する。 提案アーキテクチャは,臨床画像,電子カルテ,ウェアラブルIoTデータに対するマルチモーダルな特徴アライメント,患者に敏感な更新を保護するために差分プライバシによるセキュアなアグリゲーション,モバイルクライアントにおけるドロップアウトを軽減するためのエネルギー認識スケジューリングの3つの柱を統合する。
  論文  参考訳（メタデータ） (2025-10-02T08:19:56Z)
• 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)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• 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)
• 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)

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。