Raza, Ali
[Author]
;
Université de Lille (2022-.)
[Contributor];
University of Kent (Canterbury, Royaume-Uni)
[Contributor];
Koehl, Ludovic
[Contributor];
Li, Shujun
[Contributor];
Tran, Kim Phuc
[Contributor]
Apprentissage fédéré sécurisé et préservant la confidentialité avec intelligence artificielle explicable pour les systèmes intelligents dans le domaine de la santé ; Secure and Privacy-preserving Federated Learning with Explainable Artificial Intelligence for Smart Healthcare System
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
Text;
E-Book;
Electronic Thesis
Title:
Apprentissage fédéré sécurisé et préservant la confidentialité avec intelligence artificielle explicable pour les systèmes intelligents dans le domaine de la santé ; Secure and Privacy-preserving Federated Learning with Explainable Artificial Intelligence for Smart Healthcare System
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
La croissance de la population à travers le monde a un impact significatif sur divers secteurs, notamment la main-d'œuvre, les soins de santé et l'économie mondiale. Le secteur de la santé est l'un des secteurs les plus touchés par la croissance de la population en raison de la demande croissante en ressources et en installations de santé. Des systèmes intelligents ont été intégrés pour améliorer la prise de décision afin de faire face à ces problèmes et d'offrir des soins de santé améliorés. Parmi ces systèmes, ceux basés sur l'apprentissage en profondeur (DL) ont surpassé de nombreux systèmes statistiques et ML traditionnels grâce à leur capacité à découvrir et à apprendre automatiquement des caractéristiques liées à une tâche donnée. Par conséquent, l'utilisation du DL a connu une augmentation constante dans de nombreuses applications. Néanmoins, généralement, la formation des modèles DL repose sur un seul serveur centralisé, ce qui pose de nombreux défis : (1) à l'exception de quelques grandes entreprises, la plupart des petites entreprises disposent de données de qualité limitée, insuffisantes pour soutenir la formation des modèles DL, (2) l'accès aux données soulève souvent des problèmes de confidentialité. La collecte et l'analyse d'informations sensibles sur les patients doivent être sécurisées et respectueuses de la vie privée pour protéger les droits individuels à la vie privée, (3) coût élevé de communication et de ressources de calcul requis, (4) un grand nombre de paramètres entraînables rendent les résultats du DL difficiles à expliquer, ce qui est requis dans certaines applications.Par rapport au DL centralisé, l'apprentissage fédéré (FL) améliore à la fois la confidentialité et les coûts de communication, où les clients collaborent pour former un modèle commun sans partager directement les données brutes. Le FL réduit au minimum les violations de la confidentialité et protège les données sensibles en les maintenant distribuées localement. Cela permet une formation collaborative du modèle tout en ...