XiaoMi-AI文件搜索系统
World File Search SystemFederated
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。
联合推理和信念共享
美国伦敦大学神经病学研究所，英国伦敦大学学院B节，洛杉矶，加利福尼亚州洛杉矶，加利福尼亚州90016，美国c集体行为部，麦克斯·普朗克动物行为研究所，78457 Konstanz，德国康斯坦茨，德国Demand of 784457 Konsanz，Germanz kony konany konany konany konany sansans，konany konany konanysnastanz konany biody of Konstanz konstanz 78457 78457德国康斯坦茨，苏塞克斯大学，布莱顿大学，布莱顿大学，G昆虫学和种族学系，加利福尼亚大学，加利福尼亚大学，加利福尼亚州戴维斯大学，美国加利福尼亚州戴维斯大学，美国，戴维斯，戴维斯，CA 95616，美国，美国，美国大脑Intellion Inture，raganiken Inture，rapasion Inture，raganiken doferment，saiten forightion，s saite doferment，塔夫茨大学，梅德福，马萨诸塞州02155，美国K Biooform Labs和MIT Media Lab，美国波士顿，美国L哲学研究所，高级研究学院，伦敦大学，英国，美国伦敦大学神经病学研究所，英国伦敦大学学院B节，洛杉矶，加利福尼亚州洛杉矶，加利福尼亚州90016，美国c集体行为部，麦克斯·普朗克动物行为研究所，78457 Konstanz，德国康斯坦茨，德国Demand of 784457 Konsanz，Germanz kony konany konany konany konany sansans，konany konany konanysnastanz konany biody of Konstanz konstanz 78457 78457德国康斯坦茨，苏塞克斯大学，布莱顿大学，布莱顿大学，G昆虫学和种族学系，加利福尼亚大学，加利福尼亚大学，加利福尼亚州戴维斯大学，美国加利福尼亚州戴维斯大学，美国，戴维斯，戴维斯，CA 95616，美国，美国，美国大脑Intellion Inture，raganiken Inture，rapasion Inture，raganiken doferment，saiten forightion，s saite doferment，塔夫茨大学，梅德福，马萨诸塞州02155，美国K Biooform Labs和MIT Media Lab，美国波士顿，美国L哲学研究所，高级研究学院，伦敦大学，英国，美国伦敦大学神经病学研究所，英国伦敦大学学院B节，洛杉矶，加利福尼亚州洛杉矶，加利福尼亚州90016，美国c集体行为部，麦克斯·普朗克动物行为研究所，78457 Konstanz，德国康斯坦茨，德国Demand of 784457 Konsanz，Germanz kony konany konany konany konany sansans，konany konany konanysnastanz konany biody of Konstanz konstanz 78457 78457德国康斯坦茨，苏塞克斯大学，布莱顿大学，布莱顿大学，G昆虫学和种族学系，加利福尼亚大学，加利福尼亚大学，加利福尼亚州戴维斯大学，美国加利福尼亚州戴维斯大学，美国，戴维斯，戴维斯，CA 95616，美国，美国，美国大脑Intellion Inture，raganiken Inture，rapasion Inture，raganiken doferment，saiten forightion，s saite doferment，塔夫茨大学，梅德福，马萨诸塞州02155，美国K Biooform Labs和MIT Media Lab，美国波士顿，美国L哲学研究所，高级研究学院，伦敦大学，英国，美国伦敦大学神经病学研究所，英国伦敦大学学院B节，洛杉矶，加利福尼亚州洛杉矶，加利福尼亚州90016，美国c集体行为部，麦克斯·普朗克动物行为研究所，78457 Konstanz，德国康斯坦茨，德国Demand of 784457 Konsanz，Germanz kony konany konany konany konany sansans，konany konany konanysnastanz konany biody of Konstanz konstanz 78457 78457德国康斯坦茨，苏塞克斯大学，布莱顿大学，布莱顿大学，G昆虫学和种族学系，加利福尼亚大学，加利福尼亚大学，加利福尼亚州戴维斯大学，美国加利福尼亚州戴维斯大学，美国，戴维斯，戴维斯，CA 95616，美国，美国，美国大脑Intellion Inture，raganiken Inture，rapasion Inture，raganiken doferment，saiten forightion，s saite doferment，塔夫茨大学，梅德福，马萨诸塞州02155，美国K Biooform Labs和MIT Media Lab，美国波士顿，美国L哲学研究所，高级研究学院，伦敦大学，英国，美国伦敦大学神经病学研究所，英国伦敦大学学院B节，洛杉矶，加利福尼亚州洛杉矶，加利福尼亚州90016，美国c集体行为部，麦克斯·普朗克动物行为研究所，78457 Konstanz，德国康斯坦茨，德国Demand of 784457 Konsanz，Germanz kony konany konany konany konany sansans，konany konany konanysnastanz konany biody of Konstanz konstanz 78457 78457德国康斯坦茨，苏塞克斯大学，布莱顿大学，布莱顿大学，G昆虫学和种族学系，加利福尼亚大学，加利福尼亚大学，加利福尼亚州戴维斯大学，美国加利福尼亚州戴维斯大学，美国，戴维斯，戴维斯，CA 95616，美国，美国，美国大脑Intellion Inture，raganiken Inture，rapasion Inture，raganiken doferment，saiten forightion，s saite doferment，塔夫茨大学，梅德福，马萨诸塞州02155，美国K Biooform Labs和MIT Media Lab，美国波士顿，美国L哲学研究所，高级研究学院，伦敦大学，英国，美国伦敦大学神经病学研究所，英国伦敦大学学院B节，洛杉矶，加利福尼亚州洛杉矶，加利福尼亚州90016，美国c集体行为部，麦克斯·普朗克动物行为研究所，78457 Konstanz，德国康斯坦茨，德国Demand of 784457 Konsanz，Germanz kony konany konany konany konany sansans，konany konany konanysnastanz konany biody of Konstanz konstanz 78457 78457德国康斯坦茨，苏塞克斯大学，布莱顿大学，布莱顿大学，G昆虫学和种族学系，加利福尼亚大学，加利福尼亚大学，加利福尼亚州戴维斯大学，美国加利福尼亚州戴维斯大学，美国，戴维斯，戴维斯，CA 95616，美国，美国，美国大脑Intellion Inture，raganiken Inture，rapasion Inture，raganiken doferment，saiten forightion，s saite doferment，塔夫茨大学，梅德福，马萨诸塞州02155，美国K Biooform Labs和MIT Media Lab，美国波士顿，美国L哲学研究所，高级研究学院，伦敦大学，英国，
基于区块链的联合学习中的隐私权...
联合学习（FL）最近是一种用于协作培训机器学习模型的革命性方法。根据这个新颖的框架，多个参与者协作培训全球模型，与中央聚合器协调而无需共享其本地数据。由于FL在不同领域，安全性和隐私问题上获得了普及，因此由于该解决方案的分布性质而引起了人们的关注。因此，将该策略与区块链技术整合在一起已被合并为确保参与者隐私和安全性的首选选择。本文探讨了科学界在采用启用区块链的FL的情况下定义隐私解决方案所做的研究工作。它全面总结了与FL和区块链相关的背景，评估现有架构的集成以及主要的攻击以及可能的对策，以确保在这种情况下进行隐私。最后，它回顾了启用了启用区块链的FL方法的主要应用程序方案。这项调查可以帮助学术界和行业从业人员了解哪种理论和技术可以通过区块链来提高FL的性能，以保护隐私，哪些是这部小说中的主要挑战和未来的方向，并且仍然不足以探索。我们认为，这项工作为对先前的调查提供了新的贡献，并且是探索当前景观，了解观点并为这种融合的区块链和联合学习融合的进步或改进铺平道路的宝贵工具。
F-Kans：联邦Kolmogorov-Arnold Networks
摘要 - 在本文中，我们提出了一种创新的联邦学习（FL）方法，该方法利用Kolmogorov-Arnold Net-Works（KANS）进行分类任务。通过在联合框架中利用KAN的自适应激活能力，我们旨在提高分类功能，同时保留隐私。该研究评估了联邦kans（F-kans）的性能与传统的联邦多层概念（F-MLP）在分类任务上相比。结果表明，F-KANS模型在准确性，精度，召回，F1分数和稳定性方面显着优于F-MLP模型，并取得更好的性能，为更有效和隐私的预测性预测分析铺平了道路。索引术语 - 填充学习，Kolmogorov-Arnold Net-Works，分类，人工智能
6G网络的联合学习 - NetSLAB
摘要即将到来的第六代（6G）网络的目的是完全自动化的智能网络功能和服务。因此，机器学习（ML）对于这些网络至关重要。给定严格的隐私法规，未来的网络体系结构应将保留隐私的ML用于其应用程序和服务。联合学习（FL）有望作为分布式ML的流行方法发挥重要作用，因为它可以通过设计保护隐私。但是，在FL可以充分利用FL之前存在许多实际挑战，以作为这些未来网络的关键技术。我们考虑6G分层体系结构的愿景，以评估基于FL的分布式智能的适用性。在本文中，我们强调了将FL用于6G的好处以及所涉及的主要挑战和问题。我们还讨论了现有的解决方案以及对未来网络更强大和可信赖的FL的可能未来方向。
Triton：软件可重构联合航空电子测试平台
摘要 本文介绍了 Triton 联合航空电子安全测试平台，该测试平台支持测试真实飞机电子系统的安全漏洞。由于现代飞机是复杂的系统，因此 Triton 测试平台允许实例化多个系统进行分析，以便观察多个飞机系统的总体行为并确定它们对飞行安全的潜在影响。我们描述了两种激发 Triton 测试平台设计的攻击场景：ACARS 消息欺骗和飞机系统的软件更新过程。该测试平台允许我们分析这两种场景，以确定其预期操作中的对抗性干扰是否会造成危害。本文不描述真实飞机系统中的任何漏洞；相反，它描述了 Triton 测试平台的设计和我们使用它的经验。Triton 测试平台的主要功能之一是能够根据特定实验或分析任务的需要混合模拟、仿真和物理电子系统。物理系统可以与模拟组件或其软件在模拟器中运行的系统交互。为了便于快速重新配置，Triton 还完全通过软件重新配置：组件之间的所有接线都是虚拟的，无需物理接触组件即可进行更改。两所大学使用 Triton 测试平台的原型来评估飞机系统的安全性。
使用量子数据联合学习的量子
Quantum机器学习（QML）已成为一个有前途的领域，它依靠量子计算中的发展来探索大型复杂的机器学习问题。最近，提出了一些纯量子机学习模型，例如量子卷积神经网络（QCNN），以对量子数据进行分类。但是，所有现有的QML模型都取决于对大规模和分布式量子网络无法很好地扩展的集中解决方案。因此，考虑到针对新兴的量子网络体系结构量身定制的更实用的量子联合学习（QFL）解决方案是一种方法。的确，鉴于计算量子的脆弱性质以及传输它们的困难，为量子网络开发QFL框架至关重要。在其实际的重要性之上，QFL可以通过利用现有的无线通信基础架构来分发量子学习。本文提出了第一个完全量子联合学习框架，该框架可以通过量子数据运行，因此以分散的方式共享量子电路参数的学习。首先，鉴于文献中缺少现有的量子联合数据集，提出的框架开始于生成具有分布式量子网络的第一个量子联合数据集，具有层次数据格式。然后，为共享QCNN模型的客户提供量子数据以执行分类任务。随后，服务器从客户端汇总了可学习的量子电路参数并执行联合平均。进行了广泛的实验，以评估和验证所提出的QFL溶液的有效性。这项工作是将Google的TensorFlow联合和TensorFlow量子组合到实际实现中的第一个。