基于大脑风暴优化的群体学习用于糖尿病视网膜病变图像分类
Swarm Learning is a decentralized machine learning framework that leverages blockchain technology to address privacy and security concerns in deep learning models by reducing central dependency, increasing scalability, and enabling secure and private data management.
May, 2024
采用基于区块链的分布式网络的群智学习方案可以解决能源领域数据敏感性引发的安全和隐私问题,提升模型性能、增强数据安全性和隐私保护。
Jun, 2024
本研究通过创新性地使用联邦学习方法,解决数据隐私和高效疾病诊断的双重挑战,以提高医学图像分类的准确性和效率,展示了联邦学习在磁共振成像(MRI)脑肿瘤检测中的应用效果,并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。
Apr, 2024
本文介绍一种面向医学应用的无中心服务器的联邦学习框架 BrainTorrent,该框架通过在一定程度上共享模型参数,使医疗机构能够在不泄露患者隐私的前提下协同训练模型。我们证明,BrainTorrent 不仅胜过传统的基于服务器的方法,而且在完全不共享数据的情况下,接近于基于汇总数据训练的模型性能。
May, 2019
本研究提出了一种面向农村医疗机构的脑组织分割新框架,采用深度强化学习环境与本地部署的细化模型相结合。该框架通过有限数据集的训练,验证了其在多样性场所的分割准确性,使得平均准确率达到 92%。
Mar, 2024
本文提出了一种基于粒子群优化(PSO)技术来优化本地机器学习模型超参数设置的 FL 环境的方法,结果表明与基于网格搜寻方法相比,PSO 提供了深度 LSTM 模型调优的高效方法。
Sep, 2020
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