論文の概要: iGRAIL: Blockchain-Based Generative Federated Learning for Trustworthy Healthcare Intelligence
- arxiv url: http://arxiv.org/abs/2611.17703v1
- Date: Fri, 13 Nov 2026 03:33:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.29711
- Title: iGRAIL: Blockchain-Based Generative Federated Learning for Trustworthy Healthcare Intelligence
- Title(参考訳): iGRAIL:信頼できる医療情報のためのブロックチェーンベースのジェネレーティブ・フェデレーション・ラーニング
- Abstract要約: iGRAILは、信頼できる医療インテリジェンスのためのブロックチェーン対応の生成FLフレームワークである。
データ拡張のためのローカル生成学習と差分プライバシーを組み合わせることで、ローカルトレーニング中に機密情報を保護します。
iGRAILはセキュアでスケーラブルなフェデレーションコンピューティングをサポートし、プライバシ、モデルの完全性、制御された参加を維持する。
- 参考スコア(独自算出の注目度): 3.4625049031877917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Healthcare organizations collect huge amounts of patient data from clinical records, medical tests, monitoring systems, and healthcare services. Such data can underpin intelligent healthcare analytics but remains distributed across institutions and cannot be shared directly due to privacy, security, and trust concerns. Federated learning (FL) enables collaborative learning without sharing raw patient records, but the exchanged model information remains vulnerable to privacy leakage, tampering, replay, and unauthorized access. In this paper, we propose iGRAIL, a blockchain-enabled generative FL framework for trustworthy healthcare intelligence. iGRAIL combines local generative learning for data augmentation with differential privacy to protect sensitive information during local training. Model communication is secured using cryptographic mechanisms, and blockchain-based verification and smart-contract access control ensure that only authorized, authentic, fresh, and integrity-preserving updates are accepted for federated aggregation. The framework is evaluated on four healthcare datasets and compared with the conventional FL and blockchain-based FL (BC-FL) under predictive, privacy, non-IID, scalability, malicious-update, security-verification, and runtime settings. For the two large diabetes datasets, iGRAIL improves accuracy by about 5.4-5.6%, the F1-score by 14.6-16.9%, and MCC by 16.0-18.1% over the best FL or BC-FL baseline. Increasing the strength of differential privacy reduces the privacy-loss parameter $ε$ by about 72.5% for the cancer dataset and 87.5% for the diabetes dataset, with only a limited loss in prediction performance. These results indicate that iGRAIL supports secure and scalable federated computing while preserving privacy, model integrity, and controlled participation, at the cost of additional computational overhead.
- Abstract(参考訳): 医療機関は、臨床記録、医療検査、監視システム、医療サービスから大量の患者データを収集する。
このようなデータはインテリジェントな医療分析の基盤となる可能性があるが、機関間で分散しているままであり、プライバシやセキュリティ、信頼の懸念から直接共有することはできない。
フェデレートラーニング(FL)は、患者の生記録を共有することなく協調学習を可能にするが、交換されたモデル情報は、プライバシの漏洩、改ざん、リプレイ、不正アクセスに弱いままである。
本稿では、信頼に値する医療情報のためのブロックチェーン対応FLフレームワークであるiGRAILを提案する。
iGRAILは、データ拡張のためのローカル生成学習と差分プライバシーを組み合わせて、ローカルトレーニング中に機密情報を保護する。
モデル通信は暗号機構を使用して保護され、ブロックチェーンベースの検証とスマートコントラクトアクセス制御により、認証された、認証された、新しい、整合性のある更新のみが、フェデレーションアグリゲーションに受け入れられる。
このフレームワークは4つの医療データセットで評価され、予測、プライバシ、非IID、スケーラビリティ、悪意のある更新、セキュリティ検証、ランタイム設定の下で、従来のFLとブロックチェーンベースのFL(BC-FL)と比較される。
2つの大きな糖尿病データセットでは、iGRAILの精度は5.4-5.6%、F1スコアは14.6-16.9%、MCCは16.0-18.1%向上している。
差分プライバシーの強さを高めることで、がんデータセットでは約72.5%、糖尿病データセットでは87.5%のプライバシー損失パラメータであるε$が減少し、予測性能はわずかに低下する。
これらの結果から,iGRAILはプライバシ,モデル整合性,制御された参加性を維持しつつ,セキュアでスケーラブルなフェデレーションコンピューティングをサポートすることが示唆された。
関連論文リスト
- zkFL-Health: Blockchain-Enabled Zero-Knowledge Federated Learning for Medical AI Privacy [0.0]
zkFL-Healthは、フェデレートラーニング(FL)とゼロ知識証明(ZKP)と信頼実行環境(TEE)を組み合わせたアーキテクチャである。
クライアントはローカルにトレーニングし、アップデートをコミットする。アグリゲータはTEE内でグローバルアップデートを計算し、クライアントのアップデートをホストに公開することなく、コミットした入力と正しいアグリゲーションルールを正確に使用したという簡潔なZK証明を生成する。
医療に適したシステムと脅威モデル、zkFL-Healthプロトコル、セキュリティ/プライバシ保証、正確性、プライバシリスク、レイテンシ、コストにまたがるパフォーマンス評価計画について概説する。
論文 参考訳(メタデータ) (2025-12-24T08:29:28Z) - Leveraging Blockchain and Proxy Re-Encryption to secure Medical IoT Records [0.0]
プライベートブロックチェーンとプロキシ再暗号化(PRE)を統合したアーキテクチャを提案する。
Preは暗号化されたデータを、インターミディエートに公開することなく、新しい受信者のために再暗号化する暗号化技術である。
論文 参考訳(メタデータ) (2025-09-10T08:45:20Z) - Securing Health Data on the Blockchain: A Differential Privacy and Federated Learning Framework [1.3654846342364306]
この研究は、差分プライバシー(DP)とフェデレートラーニング(FL)を統合し、IoTノードが収集した機密健康データを保護する。
提案フレームワークは、動的パーソナライズと適応型ノイズ分配戦略を利用して、プライバシとデータユーティリティのバランスをとる。
論文 参考訳(メタデータ) (2024-05-19T15:15:18Z) - Integration of Federated Learning and Blockchain in Healthcare: A Tutorial [0.5592394503914488]
このチュートリアルでは、FLとBCの統合を調査し、医療分析に対するセキュアでプライバシ保護のアプローチを提供する。
FLは、医療機関のローカルデバイス上での分散モデルトレーニングを可能にし、患者のデータをローカライズする。
BCは、改ざん防止の台帳とスマートコントラクトによって、FLで安全な協調学習のための堅牢なフレームワークを提供する。
論文 参考訳(メタデータ) (2024-04-15T19:00:09Z) - Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳(メタデータ) (2024-03-28T07:08:26Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳(メタデータ) (2023-07-29T12:54:03Z) - Towards Blockchain-Assisted Privacy-Aware Data Sharing For Edge
Intelligence: A Smart Healthcare Perspective [19.208368632576153]
リンク攻撃はプライバシードメインにおける支配的な攻撃の一種である。
敵は 健康データを偽装するために 毒殺攻撃を仕掛ける 誤診や 身体的損傷までも 引き起こす
個人の健康データを保護するために,ユーザ間の信頼度に基づく個人差分プライバシモデルを提案する。
論文 参考訳(メタデータ) (2023-06-29T02:06:04Z) - Social-Aware Clustered Federated Learning with Customized Privacy Preservation [38.00035804720786]
本稿では,ソーシャル・アウェア・クラスタ・フェデレーション・ラーニングの新たな手法を提案する。
モデル更新をソーシャルグループに混ぜ合わせることで、敵はソーシャル層を組み合わせた結果のみを盗むことができるが、個人のプライバシーを盗むことはできない。
FacebookネットワークとMNIST/CIFAR-10データセットの実験は、SCFLが学習ユーティリティを効果的に強化し、ユーザの支払いを改善し、カスタマイズ可能なプライバシ保護を強制できることを検証する。
論文 参考訳(メタデータ) (2022-12-25T10:16:36Z) - Unraveling the Connections between Privacy and Certified Robustness in
Federated Learning Against Poisoning Attacks [68.20436971825941]
フェデレートラーニング(FL)は、分散ユーザのデータを活用するグローバルモデルを共同でトレーニングするための、効率的なパラダイムを提供する。
いくつかの研究により、FLは毒殺攻撃に弱いことが示されている。
ローカルユーザのプライバシを保護するため、FLは通常、差分プライベートな方法でトレーニングされる。
論文 参考訳(メタデータ) (2022-09-08T21:01:42Z)
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。