論文の概要: Federated Learning for Privacy-Preserving Open Innovation Future on
Digital Health
- arxiv url: http://arxiv.org/abs/2108.10761v1
- Date: Tue, 24 Aug 2021 14:08:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-25 14:23:58.675223
- Title: Federated Learning for Privacy-Preserving Open Innovation Future on
Digital Health
- Title（参考訳）: デジタルヘルスにおけるプライバシー保護型オープンイノベーションのための連合学習
- Authors: Guodong Long, Tao Shen, Yue Tan, Leah Gerrard, Allison Clarke, Jing
Jiang
- Abstract要約: フェデレーション学習は、データに直接アクセスすることなく、ユーザや組織間で共有モデルを学ぶための、新しい機械学習パラダイムである。
この章では、AIのサポートにより、フェデレーション学習がオープンヘルスエコシステムの開発を可能にする方法について論じる。
- 参考スコア（独自算出の注目度）: 26.137021067857546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Privacy protection is an ethical issue with broad concern in Artificial
Intelligence (AI). Federated learning is a new machine learning paradigm to
learn a shared model across users or organisations without direct access to the
data. It has great potential to be the next-general AI model training framework
that offers privacy protection and therefore has broad implications for the
future of digital health and healthcare informatics. Implementing an open
innovation framework in the healthcare industry, namely open health, is to
enhance innovation and creative capability of health-related organisations by
building a next-generation collaborative framework with partner organisations
and the research community. In particular, this game-changing collaborative
framework offers knowledge sharing from diverse data with a privacy-preserving.
This chapter will discuss how federated learning can enable the development of
an open health ecosystem with the support of AI. Existing challenges and
solutions for federated learning will be discussed.
- Abstract（参考訳）: プライバシー保護は、人工知能(AI)に関する倫理的な問題である。
フェデレーション学習は、データに直接アクセスすることなく、ユーザや組織間で共有モデルを学ぶための、新しい機械学習パラダイムである。
プライバシー保護を提供する次世代AIモデルトレーニングフレームワークになり得るため、デジタルヘルスと医療情報学の将来に幅広い影響を及ぼす可能性がある。
医療業界におけるオープンなイノベーションフレームワーク、すなわちオープンヘルスの実現は、パートナー組織や研究コミュニティと次世代の共同フレームワークを構築することによって、医療関連組織のイノベーションと創造性を高めることである。
特に、このゲームを変えるコラボレーティブフレームワークは、プライバシー保護を伴う多様なデータからの知識共有を提供する。
この章では、AIのサポートにより、フェデレーション学習がオープンヘルスエコシステムの開発を可能にする方法について論じる。
既存のフェデレーション学習の課題と解決策について論じる。
関連論文リスト
- Advances in Privacy Preserving Federated Learning to Realize a Truly Learning Healthcare System [0.2748450182087935]
学習医療システム(LHS)の概念は、患者医療からのマルチモーダルデータを継続的に分析し、将来の医療成果を高める自己改善ネットワークを構想している。
プライバシ保護フェデレートラーニング(PPFL)は変革的で有望なアプローチであり、これらの課題に対処する可能性がある。
本稿では,医学研究所 (IOM) Roundtable が定義した,真の LHS を実現するために,PPFL を医療エコシステムに統合するビジョンを提案する。
論文 参考訳（メタデータ） (2024-09-29T20:02:40Z) - Sociotechnical Implications of Generative Artificial Intelligence for Information Access [4.3867169221012645]
生成AI技術は、情報にアクセスし、既存の情報検索システムの有効性を改善する新しい方法を可能にする。
本稿では、情報アクセスの文脈において、生成AIを採用する際のシステム的結果とリスクについて概説する。
論文 参考訳（メタデータ） (2024-05-19T17:04:39Z) - Socialized Learning: A Survey of the Paradigm Shift for Edge Intelligence in Networked Systems [62.252355444948904]
本稿では,エッジインテリジェンス(EI)と社会学習(SL)の統合に関する文献レビューの結果について述べる。
SLは、エージェントの協調能力と集団知性を増幅することを目的とした、社会的原則と行動に基づく学習パラダイムである。
ソーシャル化アーキテクチャ、ソーシャル化トレーニング、ソーシャル化推論の3つの統合コンポーネントについて詳しく検討し、その強みと弱点を分析した。
論文 参考訳（メタデータ） (2024-04-20T11:07:29Z) - Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。
異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。
現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文 参考訳（メタデータ） (2024-02-08T07:18:23Z) - Multimodal Federated Learning in Healthcare: a Review [5.983768682145731]
フェデレートラーニング(FL)は、データを統合する必要のない分散メカニズムを提供する。
本稿では,医療分野におけるマルチモーダル・フェデレート・ラーニング(MMFL)の現状について概説する。
最先端のAI技術と、医療アプリケーションにおける患者のデータプライバシの必要性のギャップを埋めることを目指している。
論文 参考訳（メタデータ） (2023-10-14T19:43:06Z) - FUTURE-AI: International consensus guideline for trustworthy and deployable artificial intelligence in healthcare [73.78776682247187]
医療AIに関連する技術的、臨床的、倫理的、法的リスクに関する懸念が高まっている。
この研究は、Future-AIガイドラインを、医療における信頼できるAIツールの開発とデプロイを導くための最初の国際コンセンサスフレームワークとして説明している。
論文 参考訳（メタデータ） (2023-08-11T10:49:05Z) - Federated Learning: Organizational Opportunities, Challenges, and
Adoption Strategies [39.58317527488534]
フェデレートラーニングにより、分散クライアントは、各トレーニングデータを他の人と共有することなく、モデルを協調的にトレーニングできる。
我々は,情報システム研究者にとって,連合学習は学際的機会の豊富な組織的課題を提示すると主張する。
論文 参考訳（メタデータ） (2023-08-04T09:23:23Z) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳（メタデータ） (2023-07-14T04:13:11Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - The Design and Implementation of a National AI Platform for Public
Healthcare in Italy: Implications for Semantics and Interoperability [62.997667081978825]
イタリア国立衛生局は、その技術機関を通じて人工知能を採用している。
このような広大なプログラムには、知識領域の形式化に特別な注意が必要である。
AIが患者、開業医、健康システムに与える影響について疑問が投げかけられている。
論文 参考訳（メタデータ） (2023-04-24T08:00:02Z) - Privacy-preserving Artificial Intelligence Techniques in Biomedicine [3.908261721108553]
機密データに基づくAIモデルのトレーニングは、個々の参加者のプライバシに関する懸念を提起する。
本稿では,生物医学におけるプライバシ保存型AI技術の進歩について概説する。
最も重要な最先端のアプローチを統一された分類分野に配置し、その強み、限界、オープンな問題について議論する。
論文 参考訳（メタデータ） (2020-07-22T18:35:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。