面向医学联邦学习的案例导向可解释性
偏微分方程分析
2024-08-27 v1
摘要
我们利用深度生成模型在医学联邦学习场景中生成案例式解释。通过案例式可解释性解释AI模型决策对于增强信任、促进AI在临床实践中的广泛采用至关重要。然而，医学AI训练范式正向联邦学习方向发展，以遵循数据保护法规。在联邦场景下，过往数据对当前用户不可访问。因此，我们使用深度生成模型生成合成示例，以保护隐私并解释决策。我们的概念验证聚焦于肺积聚诊断，采用公开的胸部X光数据。
引用
@article{arxiv.2408.13625,
title = {Stable determination of the Winkler subgrade coefficient in a nanoplate},
author = {G. Alessandrini and A. Morassi and E. Rosset and E. Sincich and S. Vessella},
journal= {arXiv preprint arXiv:2408.13625},
year = {2024}
}
备注
24 pages. arXiv admin note: text overlap with arXiv:1502.04842