IJCAIJun, 2020

保护隐私的技术帮助数百万人：协作预测模型用于卒中预防

PDF
TL;DR本研究提出了一个隐私保护方案，使用联合预测模型异步支持任意数量的客户端连接，采取联邦平均法训练模型，在不将患者数据带出医院的整个过程中，训练所有某一城市医院的医疗保健数据，以预测中风的风险，并开发一个移动应用程序，以演示联邦训练过程中联合预测模型和单一预测模型的性能比较。
发现论文，激发创造
  • 联邦森林

    本文提出了一种称为 Federated Forest 的隐私保护机器学习模型，该模型是传统随机森林方法的无损学习模型，可以在不泄露原始数据的情况下处理分布在不同公司或政府机构中的数据。 通过该模型，开发了一种安全的跨地区机器学习系统，并提出了一种新型的预测算法来降低通信开销。 实验表明，Federated Forest 的性能已被验证，可以用于实际任务。

    May, 2019

  • 隐私保护的联邦脑肿瘤分割

    本文研究采用差分隐私技术以保护病人数据在联邦学习架构中的隐私泄露问题。在对 BraTS 数据集上的脑瘤分割进行实验后，我们发现隐私保护代价与模型性能之间存在权衡。

    Oct, 2019

  • 模拟跨机构精神科设置中的暴力事件预测的联邦学习

    本文研究应用联邦学习和自然语言处理于跨机构精神科领域进行暴力危险评估，并比较四个模型的性能，结果显示联邦学习模型表现最佳，可能为基于临床笔记的联邦学习应用开启了新的可能性。

    May, 2022

  • FedStack：使用堆叠联邦学习进行个性化活动监测

    本研究提出了一种名为 FedStack 的分散式联邦学习架构，支持广泛的异构架构客户机模型，提高远程病人监测的性能并保护病人的隐私；通过在移动健康传感器基准数据集上应用该架构进行实验，证明了其在分类 12 种常规活动方面的性能优于其他相似架构，并为建立客户隐私的增强型远程病人监测系统奠定了基础。

    Sep, 2022

  • 具有个性化和共享组件混合的医疗联合模型

    本文提出了一种新的个性化联邦学习框架来解决异构医疗数据在多个医院之间协作训练神经网络时的降级问题，并设计了差异性稀疏正则化器和降低计算成本的方法来提高计算效率，最后通过实验证明该方法可以获取最佳模型性能和高达 60％的通信效率改进。

    Jun, 2023

  • 联邦机器学习中的隐私和信任重新定义

    本文介绍了一种基于分布式身份技术的隐私保护的分散工作流，用于促进参与者之间可信的联邦学习，限制只有获得适当机构发放的可验证凭证的实体才能建立安全、经过认证的通信渠道，参与与心理健康有关的联邦学习流程。

    Mar, 2021

  • 智能移动健康系统的隐私保护边缘联邦学习

    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

  • 隐私保护交通流量预测：一种联邦学习方法

    提出了一种名为 FedGRU 的新算法，该算法采用联邦学习机制，通过机器学习实现交通流量预测，在保护隐私的同时提高了预测准确性。

    Mar, 2020

  • 预测主要术后并发症的联邦学习模型

    手术后并发症风险的准确预测使用电子健康记录和人工智能显示出巨大潜力，而联邦学习模型可在数据保护壁垒较高的多个机构的大规模数据上训练出健壮且具有广泛适用性的模型。

    Apr, 2024

  • 组织病理图像分类与脆弱性分析的联邦学习

    利用隐私保护联邦学习技术，发现健康诊断的机器学习模型会受到数据投毒的攻击，导致全局模型准确度下降。

    Oct, 2023