LegközelebbKövetkező útmutató
Federated Learning in Healthcare
Műszaki
Műszaki ÚTMUTATÓ
Federated learning trains a shared model through participants’ local computations and aggregated updates while leaving their training records decentralized.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
It reduces raw-data movement, but updates can still expose information unless additional protections are designed and evaluated.
In normal training, all data is pooled on central servers. Federated learning flips this: a global model is sent out to participants (phones, hospitals, banks), each trains locally on its own data, and only the resulting weight changes are sent back. The server averages these updates into an improved global model and repeats. Google researchers studied federated mobile-keyboard prediction using local training without exporting the training records to a server. The approach shines where data is private, regulated, or too large to move, such as healthcare records spread across hospitals. Challenges include unreliable devices, data that differs sharply between participants (non-IID data), and the fact that raw updates can still leak information, which is why it is paired with privacy techniques.
Google researchers studied federated next-word prediction for a mobile keyboard using local training and aggregated model updates.
A hypothetical hospital collaboration keeps imaging records at each institution while evaluating model updates and their privacy risks.
A fraud-research collaboration compares federated training with centralized baselines without assuming that decentralization alone meets every privacy requirement.
A team applies secure aggregation so a server receives a combined update rather than each participant’s individual update.
Az egyesített tanulás a billentyűzetekről a szervezetközi használat felé halad az egészségügyben, a pénzügyekben és az IoT-ben, ahol az olyan szabályozások, mint a HIPAA és a GDPR megnehezítik az adatok összegyűjtését. Szorosabb integrációra számíthat, differenciált adatvédelemmel és biztonságos aggregációval, valamint olyan keretrendszerekkel, mint a TensorFlow Federated, Flower és az NVIDIA FLARE, amelyek a gyártáshoz érnek. Egyre nagyobb határ a nagy nyelvi modellek egyesített finomhangolása, amely lehetővé teszi a szervezetek számára, hogy közösen javítsák a bizalmas szövegre vonatkozó modellt. Az egyenlőtlenül eloszló és megbízhatatlan résztvevők jobb kezelése továbbra is a legfontosabb kutatási törekvés.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Federated learning trains a shared model through participants’ local computations and aggregated updates while leaving their training records decentralized. It reduces raw-data movement, but updates can still expose information unless additional protections are designed and evaluated.
Az egyesített tanulás helyi szinten tartja a nyers adatokat; minden résztvevő a saját adataira oktat, és csak a kiszolgáló által kombinált modellfrissítéseket küld.
A FedAvg az ügyfelek helyileg betanított súlyozását egyetlen továbbfejlesztett globális modellben egyesíti, jellemzően az egyes ügyfeleket a felhasznált adatmennyiség alapján súlyozva.
Google researchers studied federated mobile-keyboard next-word prediction using local device training and aggregated model updates.
Keeping records at participating sites can reduce raw-data movement. Privacy, security, and other requirements still need separate evaluation.
A színátmenetek és a súlyváltozások részleteket fedhetnek fel az edzési példákról, ezért adjuk hozzá a biztonságos összesítést és a differenciált adatvédelmet.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Federated Learning in Healthcare
Műszaki