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
使用分布式学习方法探索医疗数据的挑战和方法,评估当前方法的系统问题并提出改进建议。
Oct, 2023
本文提供了关于联邦学习的概述,并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型,解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向,其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。
May, 2022
联邦学习在医疗保健行业有巨大潜力,可以解决数据收集和隐私保护的问题,然而,攻击和防御方面的挑战仍需进一步研究以实现更强大的联邦学习。
Jan, 2024
本文介绍联邦学习的独特特征和挑战,提供当前方法的概述,并概述了与各种研究社区相关的几个未来方向。
Aug, 2019
分布式学习中的公平性在医疗保健领域中的实现和支持带来了一些挑战和考虑因素,本文旨在概述公平联邦学习的典型生命周期,并提供一个更新的分类方法以反映当前实现中的公平性状态。
Aug, 2023
该论文考虑了隐私问题对医疗数据的影响,通过联邦学习提供了数字健康的潜在解决方案,并强调需要解决的挑战和问题。
Mar, 2020
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
本文综述了联邦学习在医学图像分析中的最新发展,介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机,分类总结了现有的联邦学习方法,并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾,同时进行了实验以评估联邦学习方法在医学图像分析中的应用。
Jun, 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