详细内容或原文请订阅后点击阅览
联邦学习：医疗应用中的问题
在本演讲中，将简要概述使联邦学习在现实世界中完美发挥作用的当前问题。它们与数据/系统异构性、客户端管理、可追溯性和安全性有关。此外，我们还介绍了我们目前正在开发的模块化联邦学习框架，以试验各种技术和协议来寻找上述问题的解决方案。该框架将在开发完成后向公众开放。
来源:La Biblia de la IA🔘 论文页面：arxiv.org/abs/2109.00202
🔘 论文页面摘要
«自 2017 年谷歌推出联邦学习以来，该技术就一直在医学领域得到积极研究，该技术使人工智能学习无需移动本地数据。事实上，在人工智能中进行机器学习而不从本地客户端收集数据的想法非常有吸引力，因为数据仍保留在本地站点。然而，联邦学习技术由于其自身特性（例如分布不均、客户端参与管理和易受攻击的环境）仍然存在各种未解决的问题。在本演讲中，将简要概述使联邦学习在现实世界中完美使用的当前问题。它们与数据/系统异构性、客户端管理、可追溯性和安全性有关。此外，我们还介绍了我们目前开发的模块化联邦学习框架，以试验各种技术和协议，以找到上述问题的解决方案。开发完成后，该框架将向公众开放。”。
作者
Joo Hun Yoo、Hyejun Jeong、Jaehyeok Lee、Tai-Myoung Chung
喜欢这篇文章？关注此博客以了解更多信息。
喜欢这篇文章？关注此博客以了解更多信息。