ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
This paper proposes a federated learning framework for privacy-preserving patient monitoring with lightweight blockchain anchoring. The framework keeps synthetic patient monitoring records local at each client and uses federated model aggregation to support collaborative learning without centralizing raw records. To improve traceability, the blockchain layer is specified as an anchoring mechanism that records compact evidence, including model hashes and participation metadata, rather than raw data or full model parameters. Experiments were conducted on synthetic patient monitoring data to evaluate framework behavior under non-IID client distributions, label noise, different client counts, partial client participation, and aggregation strategies. The centralized MLP baseline achieved approximately 0.89 overall accuracy but failed to detect alert cases, with 0% alert-class recall, showing that accuracy alone can be misleading in imbalanced monitoring scenarios. In the federated simulations, the model reached approximately 0.99 accuracy under clean labels, approximately 0.90 under 10% label noise, and approximately 0.70 under 30% label noise. Under a more difficult noisy, non-IID, dropout, and fixed skewed-client evaluation setting, the model stabilized at approximately 0.80 accuracy after 25 communication rounds. Client scaling from 5 to 20 clients remained stable, and FedAvg, weighted aggregation, and accuracy-trimmed robust aggregation produced similar final accuracy of approximately 0.98 in the 10-client setting. The results indicate that label quality strongly affects federated convergence, while blockchain anchoring should be interpreted as an auditability mechanism rather than a direct accuracy-improving component. This study provides a framework-level foundation for auditable federated patient monitoring in semi-trusted healthcare networks.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 72/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Privacy-Preserving Technologies in Data · Machine Learning in Healthcare · Blockchain Technology Applications and Security
บทบาทของนักวิจัยและสถาบันไทย
Thattapon Surasak · Jirayu Samkunta · King Mongkut's University of Technology North Bangkok
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง