面向数字健康开放创新未来的隐私保护联邦学习
分布式、并行与集群计算
2021-08-25 v1 人工智能
密码学与安全
机器学习
摘要
隐私保护是人工智能(AI)中广受关注的伦理问题。联邦学习是一种新的机器学习范式,可在不直接访问数据的情况下跨用户或组织学习共享模型。它极有潜力成为下一代提供隐私保护的 AI 模型训练框架,从而对数字健康与医疗信息学的未来产生广泛影响。在医疗行业实施开放创新框架,即开放健康(open health),旨在通过与合作组织及研究界构建下一代协作框架,提升健康相关组织的创新与创造能力。特别是,这一改变游戏规则的协作框架借助隐私保护实现了来自多样数据的知识共享。本章将讨论联邦学习如何在 AI 的支持下推动开放健康生态系统的发展,并将探讨联邦学习现有的挑战与解决方案。
引用
@article{arxiv.2108.10761,
title = {Federated Learning for Privacy-Preserving Open Innovation Future on Digital Health},
author = {Guodong Long and Tao Shen and Yue Tan and Leah Gerrard and Allison Clarke and Jing Jiang},
journal= {arXiv preprint arXiv:2108.10761},
year = {2021}
}