联邦学习与数字化健康的未来
通过联邦学习机制,能够保持本地机构中的敏感数据,同时在中央服务器上培训共享全球模型,从而改进卫生保健数据的隐私保护和数据分析,以解决医疗卫生数据碎片化和保密性问题。
Nov, 2019
通过分析医疗保健领域中已经存在的研究文献,本研究系统评估了联邦学习在提供隐私保护的同时维护医疗数据分析的完整性和可用性方面的效力,同时探讨了实际应用及其影响,突出未来的研究方向,旨在完善联邦学习的实现、增强数据安全协议,并将联邦学习拓展到更广泛的医疗应用领域,为未来的研究人员和实践者提供帮助。
May, 2024
本综述介绍 FL 在智能医疗中的应用,包括资源感知型 FL,安全和隐私意识型 FL,激励型 FL 和个性化 FL,重点关注 FL 在健康数据管理,远程健康监测,医学成像和 COVID-19 检测方面的新领域,分析了几个最近基于 FL 的智能医疗项目,并讨论了未来研究方向和挑战。
Nov, 2021
多模态机器学习和联邦学习在医疗领域具有重要意义,并提出了多模态联邦学习在医疗领域的最新方法。此外,研究还揭示了领域中现有挑战的局限性,并提出了未来发展的方向,以满足医疗应用中尖端人工智能技术和患者数据隐私的迫切需求。
Oct, 2023
介绍谷歌于 2016 年首次提出的联邦学习,多个设备在中央服务器的监督下协作学习机器学习模型,可保证本地数据的隐私性和安全性,同时存在攻击风险,就此探讨了联邦学习的机会和挑战所在。
Jan, 2021
我们提出一种在物联网基础设施上,针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架,并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。
May, 2024
本文提出了以三个真实的数据集为基础的 FL 算法实验基准及考虑性能和成本的经济模型,同时还引入了一个结合了 FedProx 和 FedBN 的 FL 方法 FedPxN,其在性能方面优于其他 FL 算法,并只消耗比最省电的方法略高一些的功耗。
Jul, 2022