Achieving Privacy-Preserving Weighted Similarity Range Query over Outsourced eHealthcare Data
Notice bibliographique
Résumé
Similarity queries have been widely employed to offer more effective medical care to patients in eHealthcare. As a special query, similarity query with user-defined weights, which allows users (i.e., doctors in eHealthcare) to define the weight for the distance metric, has received particular interest recently. In order to make the weighted similarity query service more flexible and reliable, healthcare centers tend to outsource the healthcare data and the corresponding similarity query service to a powerful cloud. However, due to privacy concerns, healthcare centers usually demand to encrypt the data before outsourcing them to the cloud. Although some existing privacy-preserving similarity query schemes can be adapted to handle weighted similarity range queries, they may face issues in either the practicality or the accuracy of query results. Aiming at addressing these issues, in this paper, we design an efficient privacy-preserving weighted similarity range query (EPW-Sim) scheme, which is practical and can return accurate query results. Specifically, we first discover a lower bound for the distance metric, i.e., weighted Euclidean distance, and further leverage the lower bound as a filtration condition to design an efficient weighted similarity range query algorithm. Second, we apply a modified asymmetric-scalar-product encryption (MASPE) scheme to preserve the privacy of the designed algorithm and propose our EPW-Sim scheme. Finally, we analyze the security of our scheme and conduct experiments to validate its efficiency, and the results demonstrate that our scheme is privacy-preserving and efficient.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,022 | 0,016 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».