Loris

量子启发的张量模型增强临床AI的隐私性

研究人员开发了一种新颖的防御机制，以应对临床机器学习模型中的隐私风险，特别是那些用于预测免疫治疗反应的模型。研究强调，即使是像逻辑回归（LR）这样的透明模型也可能无意中泄露患者数据，队列级别的成员推理攻击成功地识别了训练集中的个体。为了缓解这种情况，该团队提出了一种使用张量训练（TTs）的量子启发方法，以混淆模型参数，同时保持准确性和可解释性。这种张量化方法为增强临床预测模型的隐私性提供了一个实际的解决方案，并将益处扩展到神经网络。