PulseAugur
中
实时 08:20:54
English(EN) Recovering Clinical Utility Under Differential Privacy: Empirical Validation of Adaptive Federated Aggregation on Heterogeneous Cardiovascular Datasets

联邦学习框架经差分隐私验证可用于临床

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员已经验证了 FedCVR 框架在真实世界临床环境（特别是心血管数据集）中的联邦学习应用。该框架能够保持临床效用，同时遵守差分隐私标准。研究表明，FedCVR 在保持数据效用方面优于标准的 FedAvg，并在定义的隐私预算下取得了显著的 79.2% 的 F1 分数和 0.96 的 AUC。 AI

影响 验证了差分隐私联邦学习在临床上的可行性，有望加速其在医疗保健领域的应用。

排序理由 该集群描述了在真实世界临床数据集上对联邦学习框架的经验证实现，这是一个研究里程碑。[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 →

联邦学习框架经差分隐私验证可用于临床

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Rodrigo Tertulino, Laercio Alencar, Ricardo Almeida ·

    差分隐私下的临床效用恢复：异构心血管数据集上自适应联邦聚合的经验验证

    arXiv:2607.19403v1 Announce Type: cross Abstract: Validating federated learning frameworks on real clinical data is an essential step between proof-of-concept demonstrations in controlled synthetic environments and deployment in real multicenter healthcare settings. A prior archi…

相关实体

相关话题