XiaoMi-AI文件搜索系统
World File Search SystemFederated
联邦学习用于监测工业过程的条件：关于故障诊断方法，挑战和前景的审查
摘要：通过基于条件的维护（CBM）调度来降低停机时间和提高生产率至关重要。的确，用于故障诊断（FD）的先进智能学习系统使有效隔离并识别故障的起源成为可能。已验证的智能工业基础设施技术使FD成为一项完全分散的分布式计算任务。为此，由于法律法规的限制或利益冲突，因此通常受所谓数据岛化的不同地区/机构之间的分配仅限于隐私，安全风险和行业竞争。因此，联邦学习（FL）被认为是将数据与多个参与者分开的有效过程，以协作培训智能且可靠的FD模型。据我们所知，迄今为止尚未对该主题进行全面研究，因此迫切需要进行基于审查的研究。在此范围内，我们的工作致力于审查FL应用程序诊断应用程序的最新进展，而FD方法，挑战和未来的前景受到特别关注。
注意：调节注意力市场并防止算法情感治理的呼吁
摘要：联合学习（FL）是一个分布式范式，它使多个客户能够在不共享其敏感本地数据的情况下协作训练模型。在这种隐私敏感的环境中，同态加密（HE）通过对加密数据启用计算来起重要作用。这阻止了服务器在聚合过程中进行逆向工程模型更新，以推断私人客户数据，这是在医疗保健行业（患者conditions contions contementies contementies contementions pmagemation is Pamentaint''的情况下的重要关注。尽管有这些进步，但FL仍容易受到培训阶段恶意参与者的知识产权盗窃和模型泄漏的影响。为了抵消这一点，水标作为保护深神经网络（DNNS）的知识产权的解决方案。但是，传统的水印方法与HE不兼容，这主要是因为它们需要使用非溶液功能，而HE并非本地支持。在本文中，我们通过提出单个同型加密模型上的第一个白色框DNN水印调制来解决这些挑战。然后，我们将此调制扩展到符合他处理约束的服务器端FL上下文。我们的实验结果表明，所提出的水印调制的性能等效于未加密域上的水印。
联合的爱马仕生物多样性股票基金
为了衡量基金的环境绩效，所使用的关键绩效指标是碳足迹。这衡量了该基金中公司在投资的每百万单位货币单位产生的碳排放。该计算既是直接和间接温室气体排放量，均由范围1、2和3排放的行业标准定义涵盖。如果第1页引用了基准标准，则该基金的环境绩效也将与基准测试。因此，比基准的碳足迹数字较小的证据表明，根据基金中持有的市场价值调整的基金的排放量低于基准的排放。但是，请注意，除非基金目标中陈述，否则该基金没有特定的环境绩效目标。表中显示的碳足迹数字在上个月末很准确。
基于LLM的SPARQL查询生成从自然语言上通过联合知识图
在生物信息学中，查询复杂知识图（kgs）的能力对于提取有意义的见解至关重要。但是，手动制作SPARQL查询，尤其是跨多个连接的KGS的联合查询，甚至对于专家而言，甚至可能是一项耗时且具有挑战性的任务。这导致人们对知识图答录（KGQA）系统的需求不断增长，该系统可以将自然语言查询转化为SPARQL，从而弥合用户问题与可用结构化数据之间的差距。大型语言模型（LLMS）提供了一个令人兴奋的机会来应对这一挑战，从而有可能自动从自然语言输入中产生准确的SPARQL查询。然而，尽管LLM在该领域表现出了令人印象深刻的能力[1] [2]，但当前的系统难以处理大规模，不断发展的kg，例如SIB Swiss Swiss生物信息学研究所的目录[3]。在这项工作中，我们提供了一种解决方案，旨在帮助SIB的生物信息学KGS [4]，例如Uniprot [5]，BGEE [6]或OMA [7]，以探索和查询可用数据。我们的方法利用LLM和端点元数据来生成SPARQL查询，同时解决动态整合不断发展的数据集的挑战，而无需持续不断的再培训。通过提供可扩展的系统1，以适应生物信息学知识的复杂且不断变化的景观，我们的目标是显着减少在联邦公里范围内查询的时间和专业知识所需的时间和专业知识。
联合强化学习授权的任务卸载车辆边缘计算中的大型模型
摘要 - 行驶边缘计算（VEC）由于其为计算密集型任务提供足够的组合资源的能力而引起了近视关注。但是，如何在车辆内分配计算任务并有效地管理任务消耗的资源已成为一种挑战。为了解决这个问题，这项研究推进了使用辅助车辆（AV）进行载体任务的主张，并引入了一种新颖的辅助车辆算法（AVA）。ava既可以在车辆环境中充分利用计算资源，并同时实现任务延迟减少，能源消耗最小化以及任务完成率的增强率。此外，我们建立了一个联合学习框架，以明智地确定通过实施创造性机制的AV分配的比例。实验结果验证了我们的方法不仅可以改善关键系统性能指标，还可以确保对移动车辆的计算资源进行全面利用。
联邦深度学习研究
背景：卫生保健深度学习的快速发展为自动化复杂的医疗任务和改善临床工作流程提供了重要的机会。但是，数据隐私问题和多个机构中大型，多样化的数据集的必要性阻碍了广泛的采用。联邦学习（FL）已成为可行的解决方案，从而实现了协作人工智能模型开发而无需共享个人患者数据。要有效地实施医疗保健，健壮和安全的基础设施至关重要。开发此类联合的深度学习框架对于利用人工智能的全部潜力同时确保患者数据隐私和监管合规性至关重要。目的：目的是引入一种创新的FL基础设施，称为个人健康培训（PHT），其中包括在现实世界中实施FL所需的程序，技术和治理组件，包括培训深度学习神经网络。该研究旨在将此联邦深度学习基础设施应用于肺癌患者的胸部计算机断层扫描图像的总肿瘤体积分割的用例，并介绍了概念验证实验的结果。方法：PHT框架在共享数据时，通过保持数据接近源并将分析带入数据时解决了数据隐私的挑战。结果：我们证明了使用PHT以联合方式执行深度学习算法的可行性，并从概念证明研究中介绍了结果。建议的基础架构解决从技术上讲，PHT需要3个相互依存的组件：“轨道”（受保护的通信渠道），“火车”（容器软件应用程序）和“站点”（机构数据存储库），这些（机构数据存储库）得到了开源“ Vantage6”软件的支持。这项研究将此联邦深度学习基础设施应用于肺癌患者的胸部计算机断层扫描图像的总肿瘤量进行分割的用例，并引入了一个称为安全聚合服务器的其他组件，其中模型平均是在可信和不可及的环境中进行的。基础设施将8个国家的12家医院联系起来，涵盖了4个大洲，证明了拟议方法的可扩展性和全球范围。在执行和培训深度学习算法期间，医院外没有共享数据。结论：讨论了概念证明研究的发现以及基础设施和结果的含义和局限性。由PHT框架和Vantage6平台促进的联合深度学习在非结构化医学成像数据中的应用代表了该领域的重大进步。
当联合学习符合水印时
摘要：联合学习（FL）是一种允许多个参与者协作训练深神经网络（DNN）的技术，而无需集中数据。除其他优点外，它具有保护隐私性的财产，使其对在敏感环境（例如医疗保健或军方）的应用中具有吸引力。尽管没有明确交换数据，但培训程序需要共享有关参与者模型的信息。这使各个模型容易受到恶意演员的盗窃或未经授权的分配的影响。为了解决机器学习（ML）的所有权保护问题，在过去的五年中已经开发了DNN水印方法。大多数现有的作品都以集中式的方式着重于水印，但仅针对FL及其独特的限制设计了一些方法。在本文中，我们概述了联合学习水印的最新进步，阐明了这一领域中出现的新挑战和机遇。
推进个性化联合学习：使用AI的综合方法来增强隐私和自定义
摘要 - 在数据驱动的决策时代，提供个性化体验的同时保留隐私已变得至关重要。个性化联合学习（PFL）通过分散学习过程来提供一个有希望的框架，从而确保数据隐私并减少对集中数据存储库的依赖。然而，PFL中先进的人工intel-ligence（AI）技术的整合仍然没有被忽视。本文提出了一种新颖的方法，该方法通过替代AI方法来增强PFL，包括自适应优化，转移学习和差异隐私。我们提出了一个模型，该模型不仅可以提高单个客户端模型的性能，还可以确保跨异构网络的强大保护隐私机制和有效的资源利用。与常规联合学习模型相比，经验结果表明，模型准确性和个性化以及严格的隐私依从性的显着改善。这项工作为真正个性化和隐私意识的AI系统的新时代铺平了道路，对需要遵守严格的数据保护法规的行业产生了重大影响。索引术语 - 个人化联合学习，隐私，联邦学习
连接地球与太空：部署在国际空间站的灵活、有弹性的联邦学习框架
公共和商业航天行业正在计划持续时间更长、距离更远的太空任务，包括建立可居住的月球基地和载人火星任务。为了支持独立于地球的科学和医疗操作，此类任务可以利用人工智能和机器学习模型来协助机组人员的医疗保健、航天器维护和其他关键任务。然而，在地球和太空之间传输大量数据以进行模型开发会消耗宝贵的带宽，容易受到通信中断的影响，并可能危及机组人员的安全和数据隐私。联邦学习可以在保持数据原位并仅传输模型参数的同时进行模型训练。在这项工作中，我们提出了一个灵活、有弹性的联邦学习框架，可在地球和国际空间站之间安全地传输模型更新。2024 年 3 月 15 日，该框架率先在太空飞行环境中部署联邦学习，使用真实的生物医学研究数据和合成生成的数据在地球和国际空间站之间训练分类器模型。