<scp>ShareChain</scp>: Blockchain‐enabled model for sharing patient data using federated learning and differential privacy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Every individual in our technologically evolved world needs proper data security. The procedure of exchanging medical information is increasingly concerned with data privacy. Many techniques have been offered for preserving data security. These techniques use approaches such as ‐anonymity, ‐diversity, and others. However, such solutions are vulnerable to attribute disclosure, homogeneity, and background knowledge risks due to their syntactic nature. In this work, we describe a safe and secure architecture and semantic approach for data sharing that is based on blockchain, local differential privacy (LDP), and federated learning (FL). The proposed framework generates an atmosphere devoid of trust in which data owners are no longer required to have trust in the controllers. The FL models enable the whole network to decentralize its data‐driven learning. Interplanetary file system (IPFS) is used to provide data security in a distributed environment because each file in IPFS has a digital fingerprint that is computed using a cryptographic hash function on the file's whole contents. Due to the rigorous privacy guarantee, data owners no longer need to be worried about the security of their data. The proposed model's assessment parameters include latency, throughput, privacy, and accuracy. The data privacy of the proposed model is protected via LDP and FL, and its latency and throughput communication transactions on permissioned blockchain are calculated and compared with those of the benchmark model. The findings indicate that the proposed model delivers 85% more accurate privacy than the benchmark model.
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.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,017 | 0,164 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle