基于区块链的可信隐私保护分层集成和联邦学习在医疗保健 4.0 中的应用

May, 2023

基于区块链的可信隐私保护分层集成和联邦学习在医疗保健 4.0 中的应用

Trustworthy Privacy-preserving Hierarchical Ensemble and Federated Learning in Healthcare 4.0 with Blockchain

Veronika Stephanie, Ibrahim Khalil, Mohammed Atiquzzaman, Xun Yi

TL;DR本研究提出一种基于多方计算的安全集成联邦学习与区块链的方法，使异构模型能够在保护用户隐私的前提下协同学习医疗机构的数据，并利用区块链的属性实现数据完整性和审计控制能力。

Abstract

The advancement of Internet and Communication Technologies (ICTs) has led to the era of Industry 4.0. This shift is followed by healthcare industries creating the term healthcare 4.0. In healthcare 4.0, the use o

healthcare 4.0 iot-enabled medical imaging secure multi-party computation-based ensemble federated learning data privacy concerns blockchain properties

发现论文，激发创造

FedBlockHealth：联邦学习与区块链的协同应用，增强 IoT 医疗保健数据隐私与安全

本文提出一种新型的混合方法，将联邦学习和区块链技术相结合，为物联网医疗应用提供安全的隐私保护解决方案，保护数据隐私，保证计算效率，同时保持数据完整性和访问控制。

Apr, 2023

区块链上的健康数据安全：差分隐私和联邦学习框架

提出一种框架来增强基于区块链的物联网（BIoT）系统在医疗保健领域中的隐私保护，通过集成差分隐私（DP）和联邦学习（FL）来保护物联网节点收集的敏感健康数据，并利用动态个性化和自适应噪声分布策略平衡隐私和数据效用，同时通过区块链技术确保模型更新的安全透明聚合和存储，实验证明该框架在各种攻击场景下具有强大的隐私保证，并在健康分析任务中保持高准确性，平均每轮联邦学习花费 6 秒左右的交易延迟，注重性能和可行性。

May, 2024

边缘计算下的物联网联邦区块链学习

本文提出了一个分布式联邦学习框架，使用区块链实现去中心化方案，将云端架构转移到边缘，实现 IoT 设备上的神经网络训练，解决医疗数据隐私和医疗设备缺乏数据的问题，同时实现网络模型的分布式训练。

Apr, 2023

面向物联网的协作机器学习的区块链解决方案

本文提出了一种将增量学习矢量量化算法（XuILVQ）与以太坊区块链技术结合，以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能，展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。

Nov, 2023

基于区块链的联邦学习和数据隐私调查

本文探讨了基于区块链技术进行联邦学习的安全数据共享平台的性能和安全性，系统地回顾了现有的研究。结论是目前该领域仍有许多值得探究的问题和研究方向。

Jun, 2023

面向计算连续体的智能医疗分布式机器学习

本文探讨了去中心化的分布式账本上机器学习模型对分布式电子个人健康档案进行知识提取的方法，并提出了一个设计概念，能够匿名进行预测性分析，结果表明可降低机器学习时间至 60％，一致性延迟低于 8 秒，适用于各个医疗机构。

Jul, 2022

增强分布式网络中的信任和隐私：基于区块链的联邦学习的综合调查

区块链与联邦学习的综述和展望，介绍了基于区块链的联邦学习的分类、体系结构和应用，并指出了未来研究方向。

Mar, 2024

基于区块链的医疗元宇宙联邦学习：以用户为中心的激励机制与最佳数据新鲜度

为了解决构建医疗元宇宙面临的关键挑战，本文设计了一个以用户为中心的隐私保护框架，基于去中心化的联邦学习用于医疗元宇宙。此框架通过跨链架构提供分布式、隐私保护和安全的数据训练，并利用信息时代和期望理论构建数据时效度量和激励机制，以提供更好的医疗元宇宙服务。

Jul, 2023

区块链增强的机器遗忘的联邦学习：一种可信赖的方法

整合区块链技术和联邦学习以应对隐私合规和用户数据删除请求的需求，该研究论文探讨了传统遗忘方法的不足之处，并介绍了一种将区块链与联邦学习融合的框架，以确保遗忘请求和行动的不可变记录，并提升数据安全性和隐私保护，以及优化数据管理以保证物联网环境中的系统响应能力。

May, 2024

医疗信息学的联邦学习

通过联邦学习机制，能够保持本地机构中的敏感数据，同时在中央服务器上培训共享全球模型，从而改进卫生保健数据的隐私保护和数据分析，以解决医疗卫生数据碎片化和保密性问题。

Nov, 2019