[論文レビュー] RoboChain: A Secure Data-Sharing Framework for Human-Robot Interaction

Eduardo Castelló Ferrer, Ognjen+2 more|arXiv (Cornell University)|Feb 13, 2018

Blockchain Technology Applications and Security参考文献 27被引用数 23

ひとこと要約

RoboChainは、複数の病院環境におけるロボットユニット間で、ブロックチェーンで保護されたOPALクエリとフェデレーテッドモデル更新を介して、プライバシーを守ったデータおよびモデル共有を可能にする、安全で分散型のフレームワークを提案する。このシステムにより、ロボットは、生の患者データを共有することなく、自閉症療法などの臨床的介入を共同で改善できる。ブロックチェーンによるログ記録とセキュアな計算を通じて、プライバシー、整合性、監査可能性を確保する。

ABSTRACT

Robots have potential to revolutionize the way we interact with the world around us. One of their largest potentials is in the domain of mobile health where they can be used to facilitate clinical interventions. However, to accomplish this, robots need to have access to our private data in order to learn from these data and improve their interaction capabilities. Furthermore, to enhance this learning process, the knowledge sharing among multiple robot units is the natural step forward. However, to date, there is no well-established framework which allows for such data sharing while preserving the privacy of the users (e.g., the hospital patients). To this end, we introduce RoboChain - the first learning framework for secure, decentralized and computationally efficient data and model sharing among multiple robot units installed at multiple sites (e.g., hospitals). RoboChain builds upon and combines the latest advances in open data access and blockchain technologies, as well as machine learning. We illustrate this framework using the example of a clinical intervention conducted in a private network of hospitals. Specifically, we lay down the system architecture that allows multiple robot units, conducting the interventions at different hospitals, to perform efficient learning without compromising the data privacy.

研究の動機と目的

• 臨床環境におけるロボットユニット間で機微な患者データを共有するための安全で分散型のフレームワークが不足しているという問題に対処すること。
• 病院などの機関にまたがる複数のロボットユニットが、生データを暴露せずに患者データから共同で学習できるようにすること。
• 人間-ロボットインタラクション（HRI）におけるモバイルヘルス分野で、倫理的および規制基準（例：IRB）に準拠しながら、データのプライバシーを維持すること。
• 分散ノード間でクエリ、回答、モデル更新の記録を検証可能で監査可能な形で記録するために、ブロックチェーン技術を統合すること。
• 軽量なモデル（例：TensorFlow Lite）とセキュアで分散型の計算を活用して、効率的かつリアルタイムの学習を可能にすること。

提案手法

• RoboChainは、MITのOpen Algorithms（OPAL）パラダイムを採用しており、機械学習アルゴリズムをデータソースに送信する一方で、データ自体を中央サーバーに移動させない。
• クエリと回答は暗号的に署名され、プライベートブロックチェーンに保存され、整合性、監査可能性、透明性が保証される。
• フェデレーテッドラーニングを用いて、各病院の現場でローカルモデル（DLM）を訓練し、生データを共有せずにモデル更新を集約する。
• 許可型ブロックチェーンネットワークにより、信頼できる機関（例：病院）のみが参加可能となり、悪意あるピアの侵入を防止する。
• ブロックチェーン上に実装されたスマートコントラクトが、複数の拠点間でのモデルの採用と同期を調整できる。
• システムはモジュラーで段階的なモデル更新をサポートしており、複数の同時介入において継続的な学習が可能になる。

実験結果

リサーチクエスチョン

• RQ1 複数の医療機関にまたがるロボットユニットが、患者データから共同で学習する際、どのようにしてデータのプライバシーを守ることができるか？
• RQ2 どのようにすれば、安全で分散型かつ監査可能なデータおよびモデル共有を人間-ロボットインタラクションにおいて実現できるか？
• RQ3 フェデレーテッドラーニングとセキュアな計算と統合することで、ブロックチェーン技術をどのように活用し、プライバシーを守った臨床的ロボット学習を支援できるか？
• RQ4 機微な健康データを扱う実世界の臨床環境にこのようなシステムを展開するにあたり、技術的および倫理的な課題は何か？
• RQ5 限られた計算リソースを持つ低コストのロボットプラットフォームで、リアルタイムかつ効率的な学習をどのようにサポートできるか？

主な発見

• RoboChainは、複数の病院にまたがるロボットユニット間で、生の患者データを共有せずに安全で分散型の学習を可能にし、プライバシーとデータ主権を守る。
• OPALとブロックチェーンの統合により、すべてのクエリ、回答、モデル更新が暗号的にログ記録され、検証可能となり、事後監査が可能になる。
• 軽量なフレームワーク（例：TensorFlow Lite）を活用したエッジデバイス上でのフェデレーテッドラーニングの実装により、ロボットの運用への影響を最小限に抑える。
• システムはモジュラーなモデル更新をサポートしており、異なる拠点で複数の同時介入にスケーラブルに対応できる。
• 倫理的および規制基準に準拠したフレームワークとして設計されており、承認済みのアルゴリズムとすべての相互作用の検証可能なログ記録が実現されている。
• 著者らは、リアルタイム展開、マルチネットワーク対応、およびロボットコントローラーの強化された安全対策の今後の課題を同定している。