論文の概要: Enhancing Equitable Access to AI in Housing and Homelessness System of Care through Federated Learning
- arxiv url: http://arxiv.org/abs/2408.07845v1
- Date: Wed, 14 Aug 2024 23:01:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-16 15:28:57.425781
- Title: Enhancing Equitable Access to AI in Housing and Homelessness System of Care through Federated Learning
- Title（参考訳）: フェデレーションラーニングによる在宅・在宅ケアシステムにおけるAIへの適切なアクセス促進
- Authors: Musa Taib, Jiajun Wu, Steve Drew, Geoffrey G. Messier,
- Abstract要約: 我々は、すべての機関が機密データを共有せずに予測モデルを協調的に訓練できるフェデレートラーニング(FL)アプローチを導入する。
これは、同意なしに機関間で識別情報を共有しないことによって、データ内の人々のプライバシを保ちながら達成される。
アルバータ州カルガリーの実世界のHHSCデータを用いた実験の結果、我々のFLアプローチは、データを完全に共有し、エージェンシー間でリンクした予測モデルをトレーニングする理想的なシナリオと同等のパフォーマンスを提供することを示した。
- 参考スコア（独自算出の注目度）: 10.572518716922415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The top priority of a Housing and Homelessness System of Care (HHSC) is to connect people experiencing homelessness to supportive housing. An HHSC typically consists of many agencies serving the same population. Information technology platforms differ in type and quality between agencies, so their data are usually isolated from one agency to another. Larger agencies may have sufficient data to train and test artificial intelligence (AI) tools but smaller agencies typically do not. To address this gap, we introduce a Federated Learning (FL) approach enabling all agencies to train a predictive model collaboratively without sharing their sensitive data. We demonstrate how FL can be used within an HHSC to provide all agencies equitable access to quality AI and further assist human decision-makers in the allocation of resources within HHSC. This is achieved while preserving the privacy of the people within the data by not sharing identifying information between agencies without their consent. Our experimental results using real-world HHSC data from Calgary, Alberta, demonstrate that our FL approach offers comparable performance with the idealized scenario of training the predictive model with data fully shared and linked between agencies.
- Abstract（参考訳）: ホーム・アンド・ホームレス・システム・オブ・ケア(HHSC)の最優先事項は、ホームレスを経験する人々を支援住宅に結びつけることである。
HHSCは通常、同じ人口に奉仕する多くの機関で構成されている。
情報技術プラットフォームは機関ごとにタイプや品質が異なるため、データは通常、ある機関から別の機関に分離される。
大規模な機関は人工知能(AI)ツールを訓練し、テストするのに十分なデータを持っているかもしれないが、小さな機関は通常そうではない。
このギャップに対処するために、すべての機関が機密データを共有せずに予測モデルを協調的にトレーニングできるフェデレートラーニング(FL)アプローチを導入する。
我々は、HHSC内でFLがどのように使用できるかを示し、高品質なAIへのアクセスを公平に提供し、HHSC内のリソースの割り当てにおいて、人間の意思決定者を支援する。
これは、同意なしに機関間で識別情報を共有しないことによって、データ内の人々のプライバシを保ちながら達成される。
アルバータ州カルガリーの実世界のHHSCデータを用いた実験の結果、我々のFLアプローチは、データを完全に共有し、エージェンシー間でリンクした予測モデルをトレーニングする理想的なシナリオと同等のパフォーマンスを提供することを示した。
関連論文リスト
- Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。
従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。
このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
論文 参考訳（メタデータ） (2024-07-17T17:00:20Z) - Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。
FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。
CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文 参考訳（メタデータ） (2023-12-23T03:31:46Z) - 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) - Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。
FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。
この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
論文 参考訳（メタデータ） (2023-03-31T10:13:01Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - Data-centric AI: Perspectives and Challenges [51.70828802140165]
データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。
データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
論文 参考訳（メタデータ） (2023-01-12T05:28:59Z) - Application of Federated Learning in Building a Robust COVID-19 Chest
X-ray Classification Model [0.0]
フェデレートラーニング(FL)は、すべてのデータを中央サーバに移動させることなく、AIモデルの一般化を支援する。
我々は、新型コロナウイルスの有無を予測するバイナリ分類問題を解決するために、ディープラーニングモデルを訓練した。
論文 参考訳（メタデータ） (2022-04-22T05:21:50Z) - DID-eFed: Facilitating Federated Learning as a Service with
Decentralized Identities [0.11470070927586015]
フェデレートラーニング(FL)は、複数のパーティ間で共有される高性能モデルを構築するための機能的なソリューションとして現れます。
本稿では,分散ID(DID)とスマートコントラクトによってFLが促進されるDID-eFedを提案する。
DID-eFedが病院や研究機関のFLを可能にするシナリオについて述べる。
論文 参考訳（メタデータ） (2021-05-18T16:55:34Z) - Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。
生徒は、合成された入力データを通じて教師の出力を訓練する。
その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
論文 参考訳（メタデータ） (2021-02-01T14:38:54Z) - Differential Privacy of Hierarchical Census Data: An Optimization
Approach [53.29035917495491]
国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。
最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。
本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
論文 参考訳（メタデータ） (2020-06-28T18:19:55Z)
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。