آینده ی هوش مصنوعی حفظ کننده حریم خصوصی در سلامت دیدگاهی از یادگیری فدرال

چکیده مقاله

یادگیری ماشین مبتنی بر داده Data driven به عنوان ابزاری نویدبخش برای توسعه مدلهای آماری دقیق و مقاوم از داده های پزشکی مطرح شده است؛ داده هایی که امروزه به صورت گسترده توسط سامانه های نوین سلامت تولید می شوند با این حال به دلیل پراکندگی داده ها در سیلوهای اطلاعاتی و محدودیت های ناشی از نگرانی های مربوط به حریم خصوصی، بهره برداری کامل از ظرفیت این داده ها برای یادگیری ماشین هنوز محقق نشده است عدم دسترسی به داده های کافی مانعی جدی برای تحقق پتانسیل کامل یادگیری ماشین و گذار آن از محیط های پژوهشی به کاربردهای بالینی محسوب می شود یادگیری فدرال Federated Learning به عنوان یک پارادایم نوین، امکان آموزش مدل ها به صورت مشارکتی و بدون نیاز به اشتراک گذاری داده های حساس را فراهم کرده و می تواند راهکاری موثر برای این چالش ها باشد این مقاله به بررسی عوامل کلیدی این محدودیت ها پرداخته، نقش یادگیری فدرال در آینده سلامت دیجیتال را تحلیل می کند و به چالش ها و ملاحظات فنی و اخلاقی مرتبط با پیاده سازی آن می پردازد

کلیدواژه‌ها

نویسندگان

سوگند میرزاجانی

دانشجوی کارشناسی موسسه آموزش عالی صنعتی مازندران بابل

محمد رضا یوسفی کبریا

گروه مهندسی کامپیوتر و مهندسی پزشکی موسسه آموزش صنعتی مازندران، بابل، ایران

میرزاجانی، سوگند و یوسفی کبریا، محمد رضا،1404،آینده ی هوش مصنوعی حفظ کننده حریم خصوصی در سلامت دیدگاهی از یادگیری فدرال،پنجمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی،همدان

ارائه‌شده در

مجموعه مقالات پنجمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی1 شهریور 1404 · همدان