同種暗号化を使用して、医療インターネットのものにおける安全な医療推奨事項のための連合学習アプローチ

フェデレートラーニング（FL）の概念は、エッジデバイスを使用してモデルをトレーニングする分散ベースの機械学習（ML）アプローチです。その焦点は、トレーニングの過程でユーザーの学習パラメーターをグローバルサーバーに送信することにより、グラデーションの更新を送信することと、インターネットオブメディカルシングス（IOMT）デバイスのユーザーエンドに関するデータの整合性を維持することに焦点を当てています。ユーザーデータを直接使用する代わりに、グローバルサーバーで実行されるトレーニングはパラメーターで実行され、モデルの変更はIOMTデバイスでローカルに実行されます。しかし、この連邦学習アプローチの主な欠点は、ユーザーのプライバシーが完了することができなくなって、勾配の漏れをもたらすことです。したがって、この研究では、最初に学習プロセスの要約を提示し、同性愛者の暗号化の使用を採用して、推奨中にユーザー勾配のプライバシー保存を確保するために、連邦医療推奨システムの新しいアプローチをさらに提案します。実験結果は、精度のメトリックに関して取るに足らない減少を示していますが、ユーザープライバシーの割合が高くなります。さらに分析により、グローバルサーバーで暗号化されたグラデーションで計算を実行すると、グローバルサーバーを前後にユーザーベースの勾配を送信するための補足的な安全なチャネルを保証しながら、推奨の出力にほとんど影響を与えないことが示されています。この分析の結果は、ユーザー数の増加ごとに、フェデレート確率修正のパフォーマンスが最小化された勾配（FSMMG）アルゴリズムが大幅に増加し、良好な収束も達成されることを示しています。また、実験は、他の既存の手法と比較すると、提案されたFSMMGが98.3％の暗号化精度で優れていることを示しています。

The concept of Federated Learning (FL) is a distributed-based machine learning (ML) approach that trains its model using edge devices. Its focus is on maintaining privacy by transmitting gradient updates along with users' learning parameters to the global server in the process of training as well as preserving the integrity of data on the user-end of internet of medical things (IoMT) devices. Instead of a direct use of user data, the training which is performed on the global server is done on the parameters while the model modification is performed locally on IoMT devices. But the major drawback of this federated learning approach is its inability to preserve user privacy complete thereby resulting in gradients leakage. Thus, this study first presents a summary of the process of learning and further proposes a new approach for federated medical recommender system which employs the use of homomorphic cryptography to ensure a more privacy-preservation of user gradients during recommendations. The experimental results indicate an insignificant decrease with respect to the metrics of accuracy, however, a greater percentage of user-privacy is achieved. Further analysis also shows that performing computations on encrypted gradients at the global server scarcely has any impact on the output of the recommendation while guaranteeing a supplementary secure channel for transmitting user-based gradients back and forth the global server. The result of this analysis indicates that the performance of federated stochastic modification minimized gradient (FSMMG) algorithm is greatly increased at every given increase in the number of users and a good convergence is achieved as well. Also, experiments indicate that when compared against other existing techniques, the proposed FSMMG outperforms at 98.3% encryption accuracy.