PulseAugur
中
实时 17:19:30
English(EN) Inclusive Federated Learning Through Compliance-Weighted Noise Allocation in Healthcare AI

新的联邦学习方法为医疗保健AI调整隐私设置

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新颖的联邦学习（FL）框架，旨在通过解决参与机构之间的隐私和合规性差异来改进医疗保健领域AI模型的训练。这种新方法称为合规性加权噪声分配，根据各客户对HIPAA和GDPR等法规的遵守情况，动态调整应用于每个客户的差分隐私（DP）噪声水平。与应用统一噪声的标准DP方法不同，这种自适应策略允许合规性得分较低的机构参与，而不会不成比例地影响整体模型性能。在医疗保健数据集上的评估表明，该方法在提供可审计的站点级噪声控制的同时，实现了与统一DP相当的效用，尽管完全的客户端级DP将需要安全聚合。 AI

影响 这项研究可以通过减轻隐私和合规性障碍，促进更广泛地参与协作式医疗保健AI培训。

排序理由 该集群基于一篇详细介绍联邦学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的联邦学习方法为医疗保健AI调整隐私设置

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Santhosh Parampottupadam, Melih Co\c{s}\u{g}un, Sarthak Pati, Maximilian Zenk, Saikat Roy, Dimitrios Bounias, Benjamin Hamm, Sinem Sav, Ralf Floca, Klaus Maier-Hein ·

    医疗AI中通过合规性加权噪声分配实现包容性联邦学习

    arXiv:2505.22108v4 Announce Type: replace-cross Abstract: Background: Federated learning (FL) enables collaborative training of clinical AI models without centralizing patient data, but adoption is limited by privacy concerns, heterogeneous institutional compliance, and resource …

相关实体

相关话题