新流程增强临床AI模型的隐私性和准确性

研究人员开发了一种用于处理不平衡临床数据上的差分隐私联邦学习的稳健流程，特别适用于心血管风险预测。该流程整合了SMOTETomek技术以解决数据不平衡问题，并采用了FedProx算法来处理非独立同分布（non-IID）数据，其性能优于标准的FedAvg。研究确定了隐私-效用边界上的一个最优区域，表明在保持高临床效用（召回率>77%）的同时，可以维持强大的隐私保证（epsilon 9.0）。这项工作为使用异构医疗数据构建安全准确的诊断工具提供了一个实际框架。 AI

影响 增强了敏感临床应用中安全有效AI模型的可行性。

排序理由 该集群包含一篇详细介绍AI模型开发新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• differential privacy
• FedAvg
• federated learning
• FedProx
• Rodrigo Tertulino
• SMOTETomek

• 论文
• 安全
• 产品

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