អ្នកនិពន្ធ : លោក Nicola Rieke លោក Jonny Hancox Wenqi Li Fausto Milletarì Holger R. Roth Shadi Albarqouni Spyridon Bakas Mathieu N. Galtier Bennett A. Landman Klaus Maier-Hein Sébastien Ourselin Micah Sheller Ronald M. Summers Andrew Trask Daguang Xu Maximilian Baust M. Jorge Cardoso អ្នកនិពន្ធ : លោក Nicola Rieke លោក Jonny Hancox លោក Wenqi Li លោក Fausto Milletarì លោក Holger R. Roth ហ្វេសប៊ុក Albarqouni ហ្វេសប៊ុក លោក Mathieu N. Galtier លោក Bennett A. Landman លោក Klaus Maier-Hein លោក Sébastien Ourselin លោក Micah Sheller លោក Ronald M. Summers លោក Andrew បានធ្វើដំណើរ ហ្វេសប៊ុក លោក Maximilian Baust លោក Jorge Cardoso សៀវភៅ ការអប់រំម៉ាស៊ីន (ML) បានបង្កើតឡើងជាវិធីសាស្រ្តដែលមានគោលបំណងសម្រាប់ការបង្កើតម៉ូឌុលទិន្នន័យទិន្នន័យសុខភាពដែលមានគុណភាពនិងមានគុណភាពដែលត្រូវបានទាញយកដោយប្រព័ន្ធសុខភាពច្នៃប្រឌិត។ ទិន្នន័យសុខភាពដែលមាននៅពេលនេះមិនត្រូវបានប្រើពេញលេញដោយ ML ជាលើកដំបូងដោយសារតែវាគឺជាការនៅនៅក្នុងការបណ្តុះបណ្តាលទិន្នន័យនិងទិន្នន័យទិន្នន័យទិន្នន័យដែលមានគោលបំណងដើម្បីកាត់បន្ថយការចូលទៅក្នុងទិន្នន័យនេះ។ ទោះជាយ៉ាងណាក៏ដោយគ្មានការចូលទៅក្នុងទិន្នន័យដែលមានគុណភាព, ML នឹងត្រូវបានកាត់បន្ថយពីការទទួលបាន ដំណឹង ការស្រាវជ្រាវអំពីអេឡិចត្រូនិក (AI) និងពិសេសការអភិវឌ្ឍនៅក្នុងការរៀនម៉ាស៊ីន (ML) និងការរៀនខ្ពស់ (DL) លក្ខណៈពិសេសនៃម៉ូដែល DL នេះគឺជាច្រើនដែលត្រូវការរៀនពីកំណត់ទិន្នន័យដែលមានទំហំទូលំទូលាយដែលត្រូវការដើម្បីទទួលបានភាពត្រឹមត្រូវនៃកម្រិតអេឡិចត្រូនិចក្នុងពេលដែលមានសុវត្ថិភាព, អស្ចារ្យ, អស្ចារ្យនិងទូទាត់ទិន្នន័យដែលមិនអាចមើលឃើញ។ , , , . 1 2 3 4 5 ឧទាហរណ៍ការបណ្តុះបណ្តាលនៃការរកឃើញកូតដែលមានមូលដ្ឋាននៅលើ AI មានតម្រូវការនូវទិន្នន័យទិន្នន័យធំដែលគ្របដណ្តប់ទម្រង់ពេញលេញនៃការដំឡើងដែលអាចធ្វើបាន, ប្រវត្តិនិងប្រភេទទិន្នន័យបញ្ចូល។ ទិន្នន័យដូចគ្នានេះគឺជាការងាយស្រួលដើម្បីទទួលបានដោយសារតែទិន្នន័យសុខភាពគឺមានអារម្មណ៍ខ្ពស់និងការប្រើប្រាស់របស់វាត្រូវបានគ្រប់គ្រងយ៉ាងតឹងរឹង។ ទោះបីជាការកាត់បន្ថយការកាត់បន្ថយទិន្នន័យនេះអាចបាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយទិន្នន័យដូចជាឈ្មោះអ្នកព្យាបាលឬកំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់កំណត់។ ឧទាហរណ៍វាអាចធ្វើឱ្យប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើងប្រសើរឡើង។ ហេតុអ្វីបានជាការផ្លាស់ប្តូរទិន្នន័យមិនមានប្រសិទ្ធភាពនៅក្នុងសេវាកម្មសេវាកម្មសុខភាពគឺថាការប្រមូលទិន្នន័យដែលមានគុណភាពនិងការរក្សាទុកទិន្នន័យដែលមានគុណភាពត្រូវចំណាយពេលវេលានិងការចំណាយចំណាយ។ ដូច្នេះទិន្នន័យទាំងនេះអាចមានគុណភាពអាជីវកម្មខ្លាំងណាស់ដូច្នេះវាមានទិន្នន័យដែលអាចត្រូវបានផ្លាស់ប្តូរដោយឥតគិតថ្លៃយ៉ាងហោចណាស់។ ដូច្នេះអ្នកប្រមូលទិន្នន័យជាធម្មតាមានការត្រួតពិនិត្យល្អបំផុតអំពីទិន្នន័យដែលពួកគេបានប្រមូល។ 6 7 8 សាកលវិទ្យាល័យ Federated Learning (FL) , , វាគឺជាគំនិតរៀនដែលមានគោលបំណងដើម្បីដោះស្រាយបញ្ហានៃការគ្រប់គ្រងទិន្នន័យនិងឯកជនដោយការបណ្តុះបណ្តាលអេឡិចត្រូនិដោយគ្មានការផ្លាស់ប្តូរទិន្នន័យដោយខ្លួនឯង។ វាត្រូវបានបង្កើតឡើងជាលើកដំបូងសម្រាប់តំបន់ផ្សេងគ្នានេះដូចជាការប្រើប្រាស់ឧបករណ៍ទូរស័ព្ទដៃនិងឧបករណ៍កម្រិត។ , វាត្រូវបានកើនឡើងចុងក្រោយសម្រាប់កម្មវិធីសុខភាព , , , , , , , FL អនុញ្ញាតឱ្យការទទួលបានអារម្មណ៍ក្នុងការរួមបញ្ចូលគ្នានេះដោយប្រសិនបើជាគំរូគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិត ការស្រាវជ្រាវចុងក្រោយបានបង្ហាញថាម៉ូដែលដែលបានបណ្តុះបណ្តាលដោយ FL អាចទទួលបានកម្រិតសម្តែងដែលអាចប្រៀបធៀបជាមួយនឹងការបណ្តុះបណ្តាលដែលត្រូវបានបណ្តុះបណ្តាលនៅលើកំណត់ទិន្នន័យដែលត្រូវបានបណ្តុះបណ្តាលដោយមជ្ឈមណ្ឌលនិងល្អឥតខ្ចោះជាមួយម៉ូដែលដែលមើលឃើញទិន្នន័យតែមួយគត់។ , . 9 10 11 12 13 14 15 16 17 18 19 20 1 16 17 កម្មវិធីបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញបណ្តាញ FL peer to peer—សម្ភារៈផ្លាស់ប្តូរនៃ FL នៅពេលដែលការបណ្តុះបណ្តាលទាំងអស់ផ្លាស់ប្តូរគំរូដែលបានបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ ការបណ្តុះបណ្តាលដែលមានមូលដ្ឋាន—កម្មវិធីបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ a b c ការអនុវត្តជោគជ័យនៃ FL អាចមានប្រសិទ្ធិភាពសំខាន់ក្នុងការអនុញ្ញាតឱ្យការព្យាបាលត្រឹមត្រូវនៅទំហំទូលំទូលាយដូច្នេះធ្វើឱ្យប្រសើរឡើងនូវម៉ូដែលដែលធ្វើឱ្យការជ្រើសរើសដោយគ្មានលក្ខណៈសម្បត្តិ, ការបង្ហាញប្រសិទ្ធិភាពល្អប្រសើរជាងមុននៃការព្យាបាលរបស់អ្នក, និងមានភាពងាយស្រួលទៅនឹងប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រស យើងគួរឱ្យចាប់អារម្មណ៍អំពីបរិស្ថានឌីជីថលនិងជាមួយសៀវភៅគួរឱ្យចាប់អារម្មណ៍នេះយើងគួរឱ្យចាប់អារម្មណ៍អំពីការផ្គត់ផ្គង់គោលបំណងនិងពិសេសសម្រាប់សហគ្រាសអំពីប្រយោជន៍និងប្រយោជន៍នៃ FL សម្រាប់កម្មវិធីសាស្រ្ត (ផ្នែក “ការវេជ្ជសាស្រ្តដែលមានមូលដ្ឋានទិន្នន័យតម្រូវការបណ្តុះបណ្តាល”), ដូច្នេះយើងគួរឱ្យចាប់អារម្មណ៍អំពីការអនុវត្ត FL សម្រាប់សុខភាពឌីជីថល (ផ្នែក “គោលបំណងបច្ចេកទេស”). ការព្យាបាលតាមបំណងទិន្នន័យត្រូវការសកម្មភាព federated ML និងជាពិសេស DL បានក្លាយជាវិធីសាស្រ្តស្រាវជ្រាវគួរឱ្យចាប់អារម្មណ៍នៅក្នុងឧស្សាហកម្មជាច្រើនទេប៉ុន្តែការអនុវត្តជោគជ័យនៃកម្មវិធីដែលមានមូលដ្ឋានទិន្នន័យត្រូវការកំណត់ទិន្នន័យធំទូលំទូលាយនិងផ្សេងគ្នានៃការ។ ទោះបីជាយ៉ាងណាក៏ដោយកំណត់ទិន្នន័យសាស្រ្តមានភាពងាយស្រួលក្នុងការទទួលបាន (ការផ្លាស់ប្តូរ “ការផ្លាស់ប្តូរលើទិន្នន័យ”) FL បានដោះស្រាយបញ្ហានេះដោយអនុញ្ញាតឱ្យការរៀនរួមបញ្ចូលដោយគ្មានការផ្លាស់ប្តូរទិន្នន័យ (ការផ្លាស់ប្តូរ “ការផ្លាស់ប្តូរនៃការផ្លាស់ប្តូរ”) និងបានរកឃើញផ្លូវរបស់ខ្លួនទៅនឹងកម្មវិធីស ការផ្លាស់ប្តូរលើទិន្នន័យ ទោះបីជាការតម្រូវការនេះគឺជាតម្រូវការល្អប្រសិនបើទិន្នន័យដែលត្រូវបានផ្អែកលើទិន្នន័យដែលជាការពិតប្រាកដដែលជាការផ្លាស់ប្តូរទិន្នន័យដែលជាមូលដ្ឋាននៃបញ្ហា។ ទោះបីជាការតម្រូវការនេះគឺជាតម្រូវការល្អប្រសិនបើទិន្នន័យដែលមានប្រសិនបើទិន្នន័យដែលមានប្រសិនបើទិន្នន័យដែលមានប្រសិនបើទិនបើទិន្នន័យដែលមានប្រសិនបើទិន្នន័យដែលមានប្រសិនបើទិនបើទិន្នន័យដែលមានប្រសិនបើទិនបើទិន្នន័យដែលមានប្រសិនបើទិនបើទិនបើទិន្នន ការតម្រូវការសម្រាប់មូលដ្ឋានទិន្នន័យធំសម្រាប់ការបណ្តុះបណ្តាល AI បានបង្កើតប្រសិទ្ធិភាពជាច្រើនដែលកំពុងស្វែងរកការបណ្តុះបណ្តាលទិន្នន័យពីសាកលវិទ្យាល័យជាច្រើន។ ទិន្នន័យនេះជាទូទៅត្រូវបានបណ្តុះបណ្តាលទៅក្នុងប្រសិនប័ត្រទិន្នន័យ។ វាត្រូវបានបង្កើតឡើងជាមួយនឹងគោលបំណងដើម្បីប្រើសម្រាប់តម្លៃទិន្នន័យជាពាណិជ្ជកម្មដូចជាការទិញក្រុមហ៊ុន IBM Merge Healthcare ។ , ឬជាសារធាតុសម្រាប់ការកើនឡើងឧស្សាហកម្មនិងការអភិវឌ្ឍវិទ្យាសាស្រ្តដូចជា NHS Scotland National Safe Haven ។ មជ្ឈមណ្ឌលសុខភាពរបស់ប្រទេសចិន ការស្រាវជ្រាវទិន្នន័យសុខភាព UK . 21 22 23 24 សកម្មភាពធំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំ ក្រុមហ៊ុន UK Biobank សៀវភៅអេឡិចត្រូនិ Cancer Imaging Archive (TCIA) កុំព្យូទ័រ CXR8 ស្លាក: NIH DeepLesion សៀវភៅលើ Cancer Genome Atlas (TCGA) សកម្មភាព Neuroimaging របស់ Alzheimer's Disease (ADNI) ដូចគ្នានេះជាកម្រិតខ្ពស់នៃការព្យាបាល ដូចជាជម្រើស Camelyon ការបណ្តុះបណ្តាលបណ្តុះបណ្តាល Brain Tumor Segmentation (BraTS) , , លក្ខណៈពិសេសនៃ Medical Segmentation Decathlon ទិន្នន័យសុខភាពសាធារណៈគឺជាធម្មតានៅក្នុងការធ្វើតេស្តឬប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើ 25 26 27 28 29 30 31 32 33 34 35 36 37 ទោះជាយ៉ាងណាក៏ដោយការចែករំលែកទិន្នន័យឬការចេញផ្សាយទិន្នន័យមិនគួរឱ្យចាប់អារម្មណ៍ទេប៉ុន្តែមិនគួរឱ្យចាប់អារម្មណ៍ទេប៉ុន្តែមិនគួរឱ្យចាប់អារម្មណ៍ទេប៉ុន្តែការចែករំលែកទិន្នន័យឬការចែករំលែកទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទ នេះគឺដូច្នេះប្រសិនបើទិន្នន័យជាមធ្យមនិងរូបថតសុខភាពដែលធ្វើឱ្យពួកគេមានតែមួយគត់ដូចជាការបោះពុម្ពទិន្នន័យ ដូច្នេះប្រសិនបើដំណើរការកាត់បន្ថយប្រសិទ្ធិភាពនៃទិន្នន័យដែលអាចធ្វើឱ្យវាប្រសិនបើមិនអាចធ្វើឱ្យវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រសិនបើវាប្រ 7 38 គោលបំណងនៃការធ្វើការ federated វាត្រូវបានអនុញ្ញាតឱ្យអ្នកគ្រប់គ្រងទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទ ដូចដែលបានបង្ហាញនៅក្នុង Fig. ការធ្វើដំណើរការងារ FL អាចត្រូវបានធ្វើឡើងជាមួយ topologies និងគម្រោងទិន្នន័យផ្សេងគ្នានិងការរចនាសម្ព័ន្ធទិន្នន័យផ្សេងគ្នានិងការរចនាសម្ព័ន្ធទិន្នន័យផ្សេងគ្នានិងការរចនាសម្ព័ន្ធទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យ , , និង peer ទៅ peer គំរូ , ក្នុងករណីទាំងអស់, FL បានផ្តល់ជូននូវភាពសុវត្ថិភាពមួយចំនួនដោយប្រសិនបើអ្នកចូលរួមក្នុង FL មិនទទួលបានការចូលរួមដោយផ្ទាល់ពីទិន្នន័យពីអង្គការផ្សេងទៀតហើយគ្រាន់តែទទួលបានទិន្នន័យគំរូដែលត្រូវបានបណ្តុះបណ្តាលតាមរយៈអ្នកចូលរួមជាច្រើន។ នៅក្នុងដំណើរការការងាររបស់ FL ជាមួយនឹងបណ្តាញបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលបណ្តុះបណ្តាលដែលចូលរួមក៏អាចមិនយល់ដឹងពីពួកគេ។ ប៉ុន្តែវាត្រូវបានបង្ហាញថាម៉ូដែលដោយខ្លួនឯងអាចរក្សាទុកព័ត៌មាននៅក្រោមលក្ខខណ្ឌមួយចំនួន។ , , , ដូច្នេះឧបករណ៍ដូចជាឯកជនផ្សេងគ្នានៃ , ឬការអប់រំពីទិន្នន័យដែលត្រូវបានគេស្គាល់ត្រូវបានគេស្គាល់ដើម្បីបង្កើនទិន្នន័យផ្ទាល់ខ្លួនកាន់តែច្រើននៅក្នុងកំណត់ FL (ប្រសិនបើទិន្នន័យបច្ចេកទេស) ។ ទោះជាយ៉ាងណាក៏ដោយប្រសិទ្ធិភាពនៃ FL សម្រាប់កម្មវិធីសុខភាពបានបង្កើនអារម្មណ៍នៅក្នុងសហគមន៍។ និងបច្ចេកវិទ្យា FL គឺជាតំបន់ស្រាវជ្រាវដែលមានកម្រិតខ្ពស់ , . 2 16 17 18 15 39 40 41 42 43 44 45 46 12 20 FL Topologies—ឧស្ម័នទំនាក់ទំនងនៃក្រុមប្រឹក្សាភិបាល។ មជ្ឈមណ្ឌល: មជ្ឈមណ្ឌលបណ្តាញបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល (Hub & Spoke) ។ ដំណោះស្រាយ: ការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ កុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រកុំព្យូទ័រ ( FL compute plans—ដំណោះស្រាយនៃម៉ូដែលមួយតាមរយៈសមាជិកផ្សេងទៀត។ ការបណ្តុះបណ្តាល / ការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ ប្រព័ន្ធ ប្រតិបត្តិការ Server, លោក Peer ទៅ Peer ។ a b c d e f g សកម្មភាពរបស់ FL សម្រាប់សុខភាពឌីជីថល ដោយសារតែ FL គឺជាគំនិតរៀនជាទូទៅដែលកាត់បន្ថយការតម្រូវការបណ្តុះបណ្តាលទិន្នន័យសម្រាប់ការអភិវឌ្ឍម៉ូដែល AI, ទំហំកម្មវិធីនៃ FL បានបណ្តុះបណ្តាលទិន្នន័យទាំងអស់របស់ AI សម្រាប់សេវាកម្មសុខភាព។ ដោយផ្តល់នូវឱកាសដើម្បីកាត់បន្ថយការផ្លាស់ប្តូរទិន្នន័យធំជាងគេនិងការដោះស្រាយអ្នកជំងឺនៅទូទាំងទិន្នន័យផ្សេងគ្នា, FL អាចអនុញ្ញាតឱ្យការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះប In the context of electronic health records (EHR), for example, FL helps to represent and to find clinically similar patients , ដូចគ្នានេះធ្វើដូច្នេះប្រសិនបើអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍ថាអ្នកមានអារម្មណ៍។ ពេលវេលានិងពេលវេលានៅក្នុង ICU ការអនុវត្តនិងអត្ថប្រយោជន៍នៃ FL ត្រូវបានបង្ហាញផងដែរនៅក្នុងតំបន់នៃការចែកចាយមេឌីជីថលសម្រាប់ការចែកចាយមេឌីជីថលទាំងមូលនៅក្នុង MRI ។ ដូចគ្នានេះផងដែរការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយ , មុនពេលនេះបច្ចេកទេសនេះត្រូវបានប្រើសម្រាប់ការកំណត់ fMRI ដើម្បីរកឃើញ biomarkers ដែលមានជំនាញវិជ្ជាជីវៈដែលមានសុវត្ថិភាព និងបានគេស្គាល់ថាជាវិធីសាស្រ្តដែលមានបទពិសោធក្នុងចំណោម COVID-19 ។ . 13 47 14 19 15 16 17 18 48 វាគឺជាការគួរឱ្យចាប់អារម្មណ៍ថាការធ្វើការរបស់ FL មានតម្រូវការដើម្បីបញ្ជាក់ទំហំនិងតម្រូវការនិងបច្ចេកវិទ្យាដែលត្រូវបានប្រើដែលដោយសារតែវាត្រូវបានចាប់អារម្មណ៍ថាមានភាពងាយស្រួលក្នុងការកំណត់។ នៅក្នុងគោលបំណងធំទូលំទូលាយរបស់ថ្ងៃនេះគឺជាការច្នៃប្រឌិតនៃគោលបំណងនៃថ្ងៃចុងក្រោយសម្រាប់កិច្ចសហប្រតិបត្តិការដែលមានសុវត្ថិភាពនិងមានប្រសិទ្ធិភាពនិងច្នៃប្រឌិតនៅក្នុងកម្មវិធីសាស្រ្ត។ នេះរួមបញ្ចូលទាំងក្រុមហ៊ុន Consortium ដែលមានគោលបំណងដើម្បីអភិវឌ្ឍ ការស្រាវជ្រាវដូចជាគម្រោង Trustworthy Federated Data Analytics (TFDA) និងវេទិកាគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូគំរូ , ដែលអនុញ្ញាតឱ្យការស្រាវជ្រាវ decentralized នៅទូទាំងសាកលវិទ្យាល័យស្រាវជ្រាវអេឡិចត្រូនិក។ ឧទាហរណ៍ផ្សេងទៀតគឺជាការសាកលវិទ្យាល័យស្រាវជ្រាវអន្តរជាតិដែលប្រើ FL សម្រាប់ការអភិវឌ្ឍម៉ូដែល AI សម្រាប់ការវិភាគ mammograms ។ ការសិក្សាបានបង្ហាញថាម៉ូដែលដែលត្រូវបានបង្កើតឡើងដោយ FL បានប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែប្រែ សាកលវិទ្យាល័យ 49 50 51 ដោយការបណ្តុះបណ្តាលសាកលវិទ្យាល័យសុខភាពដែលមិនគ្របដណ្តប់ជាមួយមជ្ឈមណ្ឌលស្រាវជ្រាវ, FL អាចមាន គម្រោង HealthChain ដែលមានដំណើរការ , ឧទាហរណ៍, មានគោលបំណងដើម្បីអភិវឌ្ឍនិងដំឡើងគោលបំណង FL នៅទូទាំងបីសន្ទីរពិសោធន៍នៅក្នុងប្រទេសបារាំង ។ ការដំណោះស្រាយនេះបង្កើតម៉ូដែលធម្មតាដែលអាចបង្ហាញពីការឆ្លើយតបនៃការព្យាបាលសម្រាប់អ្នកជំងឺជំងឺជំងឺជំងឺជំងឺជំងឺជំងឺជំងឺជំងឺជំងឺជំងឺមហារីកនិងមហារីក។ វាត្រូវបានជួយអ្នកជំងឺមហារីកដើម្បីកំណត់ការព្យាបាលដែលមានប្រសិទ្ធិភាពបំផុតសម្រាប់អ្នកជំងឺទាំងអស់ពីរូបថត histology របស់ពួកគេឬរូបថត dermatoscopy របស់ពួកគេ ។ ការព្យាបាល FeTS (Federated Tumour Segmentation) គឺជាគោលបំណងទូលំទូលំទូលំទូលាយ វាគឺជាសហគ្រាសអន្តរជាតិដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈវិជ្ជាជីវៈដែលមានជំនាញវិជ្ជាជីវៈវិជ្ជាជីវៈវិជ្ សត្វ 52 53 តំបន់ផ្សេងទៀតនៃការអនុវត្តគឺក្នុង research and translation. FL enables collaborative research for, even competing, companies. In this context, one of the largest initiatives is the Melloddy project វាគឺជាគម្រោងដែលមានគោលបំណងដើម្បីដំឡើង FL multi-task នៅលើប្រព័ន្ធទិន្នន័យរបស់ក្រុមហ៊ុនថ្នាំ 10 ។ ដោយការបណ្តុះបណ្តាលគំរូអនុម័តដែលមានគោលបំណងអំពីរបៀបដែលសម្ភារៈគីមីបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះប ឧស្សាហកម្ម 54 ការអនុវត្តដល់អ្នកចូលរួម FL រួមបញ្ចូលទាំងការផ្លាស់ប្តូរគំនិតពីមេក្រង់ទិន្នន័យកណ្តាលហើយវាគឺជាការសំខាន់ក្នុងការយល់ដឹងអំពីផលប៉ះពាល់របស់វាទៅនឹងអតិថិជនផ្សេងៗនៅក្នុងអេក្រង់ FL ។ សាកលវិទ្យាល័យ អ្នកព្យាបាលជាធម្មតារាងត្រូវបានបង្ហាញទៅក្នុងការបណ្តុះបណ្តាលនៃប្រជាប្រិយភាពដោយផ្អែកលើទីតាំងរបស់ពួកគេនិងបរិស្ថានធម្មតារាងដែលអាចធ្វើឱ្យប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនបើមានប្រសិនប អ្នកប្រហែល លក្ខណៈពិសេសរបស់អ្នកដែលត្រូវការការការព្យាបាលនៅក្នុងតំបន់ខាងលិចអាចទទួលបានអត្ថប្រយោជន៍ពីការធ្វើតេស្ត ML ដែលមានគុណភាពខ្ពស់ដូចគ្នាដែលអាចរកបាននៅក្នុងសាលាដែលមានចំនួនខ្ពស់។ ដូច្នេះប្រសិនបើការព្យាបាលមានគុណភាពខ្ពស់ប្រសិនបើអ្នកត្រូវការការការព្យាបាលនៅតំបន់ខាងលិចអាចទទួលបានអត្ថប្រយោជន៍ពីការព្យាបាល ML ដែលមានគុណភាពខ្ពស់ដូចគ្នាដែលអាចរកបាននៅក្នុងសាលាដែលមានចំនួនខ្ពស់។ ដូច្នេះប្រសិនបើការព្យាបាលមានគុណភាពខ្ពស់ប្រសិនបើការព្យាបាលមានគុណភាពខ្ពស់ប្រសិនបើការព្យាបាលមានគុណភាពខ្ពស់ប្រសិនបើការព្យាបាលមានគុណភាពខ្ពស់ មន្ទីរពិសោធន៍និងការអនុវត្ត មន្ទីរពិសោធន៍និងឧស្សាហកម្មអាចមានការត្រួតពិនិត្យពេញលេញនិងការទទួលបានទិន្នន័យរបស់ពួកគេដោយមានការរក្សាទុកទិន្នន័យពេញលេញដែលកាត់បន្ថយអារម្មណ៍នៃការប្រើទិន្នន័យដោយអ្នកផ្សេងទៀត។ ទោះជាយ៉ាងណាក៏ដោយនេះនឹងត្រូវការការវិនិយោគក្នុងវិជ្ជាជីវៈទិន្នន័យនៅលើតំបន់ឬការផ្តល់សេវាកម្មទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទ អ្នកស្រាវជ្រាវនិងអ្នកអភិវឌ្ឍន៍ AI អ្នកស្រាវជ្រាវនិងអ្នកផ្គត់ផ្គង់ AI អាចទទួលបានអត្ថប្រយោជន៍ពីការចូលទៅក្នុងកំណត់ទូលំទូលាយនៃទិន្នន័យពិភពលោកពិតប្រាកដដែលនឹងមានប្រសិទ្ធភាពដល់ការស្រាវជ្រាវតូចនិងសហគ្រាសចាប់ផ្តើម។ ដូច្នេះការផ្គត់ផ្គង់អាចត្រូវបានផ្លាស់ប្តូរទៅនឹងការដោះស្រាយតម្រូវការអេឡិចត្រូនិចនិងបញ្ហាបច្ចេកទេសដែលមានប្រសិទ្ធភាពជាងការផ្គត់ផ្គង់ទិន្នន័យអ៊ីនធឺណិត។ នៅពេលនេះវេលានឹងត្រូវការធ្វើការស្រាវជ្រាវអំពីប្រព័ន្ធប្រតិបត្តិការសម្រាប់ការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះ , , ការអភិវឌ្ឍដែលមានមូលដ្ឋានលើ FL រួមទាំងការដែលអ្នកស្រាវជ្រាវឬអ្នកអភិវឌ្ឍ AI មិនអាចស្រាវជ្រាវឬមើលឃើញទិន្នន័យទាំងអស់ដែលគំរូនេះត្រូវបានបណ្តុះបណ្តាលនៅលើដូច្នេះជាការមិនអាចមើលឃើញប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រស 11 12 20 អ្នកផ្គត់ផ្គង់សុខភាព អ្នកផ្គត់ផ្គង់សេវាកម្មសុខភាពនៅក្នុងប្រទេសជាច្រើនត្រូវបានកាត់បន្ថយដោយការផ្លាស់ប្តូរគ្នានៃគ្នានៃការផ្លាស់ប្តូរពីការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរពីការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្តូរទំហំនៃការផ្លាស់ប្ត ក្រុមហ៊ុនផលិត រោងចក្រផលិតកម្មកម្មវិធីនិងឧបករណ៍សុខភាពអាចទទួលបានអត្ថប្រយោជន៍ពី FL ដូចគ្នានេះដោយសារតែការរួមបញ្ចូលការរៀនពីឧបករណ៍និងកម្មវិធីជាច្រើនដោយគ្មានការបង្ហាញព័ត៌មានលក្ខណៈពិសេសរបស់អ្នកជំងឺអាចជួយឱ្យការត្រួតពិនិត្យឬការបង្កើនប្រសិទ្ធភាពនៃប្រព័ន្ធ ML របស់ពួកគេ។ ទោះជាយ៉ាងណាក៏ដោយការធ្វើឱ្យមានសមត្ថភាពដូច្នេះអាចត្រូវការការធ្វើឱ្យប្រសើរឡើងសំខាន់ដល់ការទិន្នន័យទិន្នន័យទិន្នន័យ, សមត្ថភាពបណ្តាញនិងឧបករណ៍ទិន្នន័យ។ យោបល់បច្ចេកទេស FL គឺជាប្រសិនបើល្អបំផុតពីការងាររបស់ Konečnỳ et al. លក្ខណៈពិសេសផ្សេងទៀតជាច្រើនត្រូវបានផ្តល់ជូននៅក្នុងសៀវភៅ។ , , , ការធ្វើដំណើរការងារ (Fig. ) អាចធ្វើបានតាមរយៈ topologies និងរចនាសម្ព័ន្ធទិន្នន័យផ្សេងគ្នានេះ (រូបថត។ ), ប៉ុន្តែគោលបំណងគឺដូចគ្នានេះគឺដូចគ្នានេះដើម្បីរួមបញ្ចូលគ្នានៃបទពិសោធដែលបានរៀនពីទិន្នន័យដែលមិនមានការរួមបញ្ចូល។ នៅក្នុងផ្នែកនេះយើងនឹងពិភាក្សាយ៉ាងច្បាស់លាស់អំពីអ្វីដែល FL គឺ, ដូចគ្នានេះយើងនឹងបង្ហាញអំពីបញ្ហាសំខាន់និងគោលបំណងបច្ចេកទេសដែលកើតឡើងនៅពេលអនុវត្ត FL នៅក្នុងសុខភាពឌីជីថល។ 55 9 11 12 20 1 2 ដំណឹងនៃការរៀន federated FL គឺជាគំនិតការអប់រំដែលមានការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ ទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំទំហំ , ដែលមានទីតាំងស្ថិតនៅលើសរើសអ្នកចូលរួមនិងមិនបានផ្លាស់ប្តូរតាមរយៈពួកគេ: K XNUMX កន្លែងដែល > 0 អនុញ្ញាតឱ្យប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើប្រសិនបើ មីនា ក្នុងការអនុវត្ត, អ្នកចូលរួមទាំងអស់ជាទូទៅទទួលបាននិងធ្វើឱ្យប្រសើរឡើងគំរូអនុម័តទូទៅដោយធ្វើដំណើរការអតិថិជនមួយចំនួនក្នុងតំបន់និងមុនពេលផ្លាស់ប្តូរការធ្វើឱ្យប្រសើរឡើងវិញដោយផ្ទាល់ឬតាមរយៈសេវាកម្មគំរូ។ លើសរើសរើសដំណើរការបណ្តុះបណ្តាលទូទៅត្រូវបានធ្វើដូច្នេះប្រសិនបើការដំណើរការទាំងមូលគឺមានសុវត្ថិភាពតិចជាងមុន (Eq. ) , ការដំណើរការពិតប្រាកដសម្រាប់ទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទំហំនៃទ លក្ខណៈពិសេសនៃការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុងការបញ្ចូលគ្នានៅក្នុង , , whereas an example of centralised FL aggregation is given in Algorithm 1. Note that aggregation strategies do not necessarily require information about the full model update; clients might chose to share only a subset of the model parameters for the sake of reducing communication overhead, ensure better privacy preservation ឬដើម្បីផលិតអេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់អេក្រង់ 1 9 12 2 15 56 10 A unifying framework enabling various training schemes may disentangle compute resources (data and servers) from the ដូចដែលបានបង្ហាញនៅក្នុង Fig. នេះបច្ចុប្បន្ននេះបានកំណត់ដំណើរការនៃម៉ូដមួយតាមរយៈអតិថិជនជាច្រើនដើម្បីត្រូវបានបណ្តុះបណ្តាលនិងសាកល្បងលើទិន្នន័យពិសេស។ គម្រោងទិន្នន័យ 2 គោលបំណងនិងគោលបំណង ទោះបីជាគោលបំណងនៃ FL, វាគឺមិនដោះស្រាយបញ្ហាទាំងអស់ដែលមានប្រសិទ្ធិភាពក្នុងការរៀនអំពីទិន្នន័យសុខភាព។ ការបណ្តុះបណ្តាលគំរូដែលមានជោគជ័យបើយោងតាមបច្ចេកទេសដូចជាគុណភាពទិន្នន័យ, គោលបំណងនិងស្ដង់ដារ សំនួរទាំងនេះគួរតែត្រូវបានដោះស្រាយសម្រាប់ការធ្វើការអប់រំប្រជុំគ្នានិងអប់រំប្រជុំគ្នាតាមរយៈការតម្រូវការដូចជាការរចនាសម្ព័ន្ធការសិក្សាដែលមានគោលបំណងដូចជាប្រព័ន្ធប្រតិបត្តិការទូទៅសម្រាប់ការទាញយកទិន្នន័យការបញ្ជាក់បណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្ត , , . 2 11 12 20 ទិន្នន័យ heterogeneity ទិន្នន័យសុខភាពគឺជាប្រភេទផ្សេងគ្នានេះមិនមែនគ្រាន់តែដោយសារតែទំហំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំទូលំ មានការជឿទុកចិត្តក្នុងការជឿទុកចិត្តក្នុងស្ថានភាពទាំងនេះ , , ការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សានិងការសិក្សាន។ ទោះបីជាទិន្នន័យសុខភាពមិនត្រូវបានផ្លាស់ប្តូរយ៉ាងប្រសើរជាងមុននៅលើអង្គការ។ , ឬរួមបញ្ចូលគ្នានៅក្នុងស្រុក . Research addressing this problem includes, for example, គោលនយោបាយការផ្លាស់ប្តូរទិន្នន័យ និង FL ជាមួយនឹងការផ្លាស់ប្តូរឧបករណ៍ ការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យានិងការធ្វើតេស្តបច្ចេកវិទ្យាន។ សត្វ 9 9 57 58 59 16 17 51 ហ្វេសប៊ុក 57 58 18 សុវត្ថិភាពនិងសុវត្ថិភាព ទិន្នន័យសេវាកម្មសុខភាពគឺជាទិន្នន័យដែលមានអារម្មណ៍ខ្ពស់ហើយគួរតែត្រូវបានការពារដូច្នេះតាមរយៈការដំណើរការសុវត្ថិភាពដែលសមរម្យ។ ដូច្នេះជាផ្នែកមួយចំនួននៃការគួរឱ្យចាប់អារម្មណ៍សំខាន់គឺជាការជួញដូរ, វិញ្ញាបនប័ត្រនិងតម្រូវការផ្សេងទៀតអំពីសមត្ថភាពសុវត្ថិភាពរបស់ FL ។ Privacy vs. performance: It is important to note that FL does not solve all potential privacy issues and—similar to ML algorithms in general—will always carry some risks. Privacy-preserving techniques for FL offer levels of protection that exceed today’s current commercially available ML models ទោះជាយ៉ាងណាក៏ដោយមានការជួញដូរនៅក្នុងគោលបំណងនៃការអនុវត្តនិងបច្ចេកវិទ្យាទាំងនេះអាចប្រសើរឡើងដូចជាភាពត្រឹមត្រូវនៃម៉ូដែលបញ្ចប់។ លើសពីនេះទៀតបច្ចេកវិទ្យានិង / ឬទិន្នន័យផ្សេងទៀតអាចត្រូវបានប្រើដើម្បីបាត់បន្ថយគំរូដែលបានគិតថានៅពេលមុនថាមានប្រសិទ្ធិភាពទាប។ 12 10 លក្ខខណ្ឌនៃការជឿទុកចិត្ត: ជាទូលំទូលាយ, អ្នកចូលរួមអាចចូលទៅក្នុងប្រភេទពីរនៃកិច្ចសហប្រតិបត្តិការ FL: —សម្រាប់ក្រុមប្រឹក្សាភិបាល FL ដែលទាំងអស់នៃក្រុមប្រឹក្សាភិបាលនេះត្រូវបានគេស្គាល់ថាមានអត្ថប្រយោជន៍និងត្រូវបានបណ្តុះបណ្តាលដោយការបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តាល។ សូមអរគុណ —នៅក្នុងប្រព័ន្ធ FL ដែលធ្វើការនៅទំហំធំជាងនេះវាអាចជាការមិនប្រាកដក្នុងការបង្កើតអនុម័តការសហប្រតិបត្តិការដែលអាចអនុវត្ត។ អ្នកតិថិជនមួយចំនួនអាចព្យាយាមការកាត់បន្ថយសមត្ថភាពប្រព័ន្ធឬទាញយកទិន្នន័យពីក្រុមហ៊ុនផ្សេងទៀត។ ដូច្នេះគោលបំណងសុវត្ថិភាពនឹងត្រូវការដើម្បីកាត់បន្ថយប្រសិទ្ធិភាពទាំងនេះដូចជាការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថយការកាត់បន្ថ មិនសាកល្បង ទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យ នៃការធ្វើឱ្យប្រសើរឡើងម៉ូដែលការកើនឡើងដោយខ្លួនឯង ការប្រឆាំងនឹងការប្រឆាំងនឹង , FL គឺជាការផ្សេងគ្នានៅពីការបណ្តុះបណ្តាលធម្មជាតិដូចជាដំណើរការបណ្តុះបណ្តាលនេះត្រូវបានបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះបណ្តុះប , ការផ្តល់ជូននូវភាពសុវត្ថិភាពល្អឥតខ្ចោះ , may be needed and is still an active area of research . 60 61 62 63 16 18 44 12 ការឆ្លើយតបនិងការឆ្លើយតប As per all safety-critical applications, the reproducibility of a system is important for FL in healthcare. In contrast to centralised training, FL requires multi-party computations in environments that exhibit considerable variety in terms of hardware, software and networks. Traceability of all system assets including data access history, training configurations, and hyperparameter tuning throughout the training processes is thus mandatory. In particular in non-trusted federations, traceability and accountability processes require execution integrity. After the training process reaches the mutually agreed model optimality criteria, it may also be helpful to measure the amount of contribution from each participant, such as computational resources consumed, quality of the data used for local training, etc. These measurements could then be used to determine relevant compensation, and establish a revenue model among the participants លទ្ធផលមួយនៃ FL គឺថាអ្នកស្រាវជ្រាវមិនអាចស្រាវជ្រាវទិន្នន័យដែលម៉ូដែលត្រូវបានបណ្តុះបណ្តាលដើម្បីធ្វើឱ្យប្រសិទ្ធិភាពនៃផលិតផលដែលមិនគួរឱ្យចាប់អារម្មណ៍។ លើសពីនេះទៀត, ការទទួលបានការគណនានៃទិន្នន័យបណ្តុះបណ្តាលរបស់ពួកគេជាផ្នែកមួយនៃដំណើរការការងារនៃការអភិវឌ្ឍម៉ូដែលនឹងត្រូវការទទួលបានការអនុញ្ញាតដោយអ្នកចូលរួមគ្នានៅក្នុងការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណ 64 មជ្ឈមណ្ឌល មិនដូចជាការធ្វើដំណើរការ FL ទំហំទូលំទូលាយនៅក្នុងឧបករណ៍អតិថិជនដូចជា McMahan et al ។ អ្នកចូលរួមក្នុងប្រព័ន្ធសុខភាពមានសមត្ថភាពទិន្នន័យទិន្នន័យដែលមានប្រសិទ្ធិភាពនិងបណ្តាញទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន័យដែលមានទិន្នន័យទិន្នន 9 ការគ្រប់គ្រងការបណ្តុះបណ្តាលដូចគ្នានេះអាចត្រូវបានធ្វើឡើងនៅក្នុងវិធីផ្សេងៗ។ នៅក្នុងស្ថានភាពដែលតម្រូវឱ្យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន័យទិន្នន លទ្ធផល ML, and particularly DL, has led to a wide range of innovations in the area of digital healthcare. As all ML methods benefit greatly from the ability to access data that approximates the true global distribution, FL is a promising approach to obtain powerful, accurate, safe, robust and unbiased models. By enabling multiple parties to train collaboratively without the need to exchange or centralise data sets, FL neatly addresses issues related to egress of sensitive medical data. As a consequence, it may open novel research and business avenues and has the potential to improve patient care globally. However, already today, FL has an impact on nearly all stakeholders and the entire treatment cycle, ranging from improved medical image analysis providing clinicians with better diagnostic tools, over true precision medicine by helping to find similar patients, to collaborative and accelerated drug discovery decreasing cost and time-to-market for pharma companies. Not all technical questions have been answered yet and FL will certainly be an active research area throughout the next decade ទោះជាយ៉ាងណាក៏ដោយយើងពិតប្រាកដថាប្រសិទ្ធិភាពរបស់វាមានប្រសិទ្ធិភាពខ្លាំងណាស់ក្នុងការធ្វើឱ្យប្រសិទ្ធិភាពសុខភាពនិងការធ្វើឱ្យប្រសិទ្ធិភាពច្នៃប្រឌិតយ៉ាងខ្លាំង។ 12 ពិនិត្យឡើងវិញ Further information on research design is available in the បង្ហោះនៅលើអត្ថបទនេះ។ Nature Research Reporting Summary គំនិត LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. , 436 (2015). Nature 521 Wang, F., Casalino, L. P. & Khullar, D. Deep learning in medicine—promise, progress, and challenges. , 293–294 (2019). JAMA Intern. Med. 179 Chartrand, G. et al. Deep learning: a primer for radiologists. , 2113–2131 (2017). Radiographics 37 De Fauw, J. et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. , 1342 (2018). Nat. Med. 24 Sun, C., Shrivastava, A., Singh, S. & Gupta, A. Revisiting unreasonable effectiveness of data in deep learning era. In , 843–852 ( , 2017). Proceedings of the IEEE international conference on computer vision IEEE Van Panhuis, W. G. et al. A systematic review of barriers to data sharing in public health. , 1144 (2014). BMC Public Health 14 Rocher, L., Hendrickx, J. M. & De Montjoye, Y.-A. Estimating the success of re-identifications in incomplete datasets using generative models. , 1–9 (2019). Nat. Commun. 10 Schwarz, C. G. et al. Identification of anonymous mri research participants with face-recognition software. , 1684–1686 (2019). N. Engl. J. Med. 381 McMahan, B., Moore, E., Ramage, D., Hampson, S. & y Arcas, B. A. Communication-efficient learning of deep networks from decentralized data. In , 1273–1282. (2017). Artificial Intelligence and Statistics https://scholar.google.de/scholar?hl=de&as_sdt=0%2C5&q=Communicationefficient+learning+of+deep+networks+from+decentralized+data&btnG= Li, T., Sahu, A. K., Talwalkar, A. & Smith, V. Federated learning: Challenges, methods, and future directions. , 50–60 (IEEE, 2020). IEEE Signal Processing Magazine 37 Yang, Q., Liu, Y., Chen, T. & Tong, Y. Federated machine learning: concept and applications. , 12 (2019). ACM Trans. Intell. Syst. Technol. (TIST) 10 Kairouz, P. et al. Advances and open problems in federated learning. (2019). arXiv preprint arXiv:1912.04977 Lee, J. et al. Privacy-preserving patient similarity learning in a federated environment: development and analysis. , e20 (2018). JMIR Med. Inform. 6 Brisimi, T. S. et al. Federated learning of predictive models from federated electronic health records. , 59–67 (2018). Int. J. Med. Inform. 112 Roy, A. G., Siddiqui, S., Pölsterl, S., Navab, N. & Wachinger, C. Braintorrent: a peer-to-peer environment for decentralized federated learning. (2019). arXiv preprint arXiv:1905.06731 Li, W. et al. Privacy-preserving federated brain tumour segmentation. In , 133–141 (Springer, 2019). International Workshop on Machine Learning in Medical Imaging Sheller, M. J., Reina, G. A., Edwards, B., Martin, J. & Bakas, S. Multi-institutional deep learning modeling without sharing patient data: a feasibility study on brain tumor segmentation. In , 92–104 (Springer, 2018). International MICCAI Brainlesion Workshop Li, X. et al. Multi-site fmri analysis using privacy-preserving federated learning and domain adaptation: abide results. (2020). arXiv preprint arXiv:2001.05647 Huang, L. et al. Patient clustering improves efficiency of federated machine learning to predict mortality and hospital stay time using distributed electronic medical records. , 103291 (2019). J. Biomed. Inform. 99 Xu, J. & Wang, F. Federated learning for healthcare informatics. (2019). arXiv preprint arXiv:1911.06270 Roy, A. & Banerjee, A. Ibm’s merge healthcare acquisitio . (2015) (Accessed 10 February 2020). n https://www.reuters.com/article/us-merge-healthcare-m-a-ibm/ibm-to-buy-merge-healthcare-in-1-billion-deal-idUSKCN0QB1ML20150806 Nhs scotland’s national safe haven. (2015) (Accessed 10 February 2020). https://www.gov.scot/publications/charter-safe-havens-scotland-handling-unconsented-data-national-health-service-patient-records-support-research-statistics/pages/4/ Cuggia, M. & Combes, S. The french health data hub and the german medical informatics initiatives: Two national projects to promote data sharing in healthcare. , 195–202 (2019). Yearbook Med. Informat. 28 Health Data Research UK. (Health Data Research UK, 2020) (Accessed 10 Feb 2020). https://www.hdruk.ac.uk/ Sporns, O., Tononi, G. & Kötter, R. The human connectome: a structural description of the human brain. . , e42, (2005). PLoS Comput. Biol 1 https://doi.org/10.1371/journal.pcbi.0010042 Sudlow, C. et al. Uk biobank: an open access resource for identifying the causes of a wide range of complex diseases of middle and old age. . , e1001779. (2015). PLoS Med 12 https://doi.org/10.1371/journal.pmed.1001779 Clark, K. et al. The cancer imaging archive (tcia): maintaining and operating a public information repository. , 1045–1057 (2013). J. Digit. Imaging. 26 Wang, X. et al. Chestx-ray8: Hospital-scale chest X-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. In , 2097–2106 ( , 2017). Proceedings of the IEEE conference on computer vision and pattern recognition IEEE Yan, K., Wang, X., Lu, L. & Summers, R. M. Deeplesion: automated mining of large-scale lesion annotations and universal lesion detection with deep learning. , 036501 (2018). J Med. Imaging. 5 Tomczak, K., Czerwińska, P. & Wiznerowicz, M. The cancer genome atlas (tcga): an immeasurable source of knowledge. , A68 (2015). Contemp. Oncol. 19 Jack Jr., C. R. et al. The alzheimer’s disease neuroimaging initiative (adni): Mri methods. , 685–691 (2008). J. Magn. Reson. Imaging 27 . (2020) (Accessed 24 July 2020). Grand Challenge-a Platform for End-to-end Development of Machine Learning Solutions in Biomedical Imaging https://grand-challenge.org/ Litjens, G. et al. 1399 h&e-stained sentinel lymph node sections of breast cancer patients: the camelyon dataset. , giy065 (2018). GigaScience 7 Menze, B. H. et al. The multimodal brain tumor image segmentation benchmark (brats). , 1993–2024 (2014). IEEE Trans. Med. Imaging 34 Bakas, S. et al. Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the brats challenge. (2018). arXiv preprint arXiv:1811.02629 Bakas, S. et al. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features. , 170117 (2017). Sci. Data 4 Simpson, A. L. et al. A large annotated medical image dataset for the development and evaluation of segmentation algorithms. (2019). arXiv preprint arXiv:1902.09063 Yeh, F.-C. et al. Quantifying differences and similarities in whole-brain white matter architecture using local connectome fingerprints. , e1005203 (2016). PLoS Comput. Biol. 12 Chang, K. et al. Distributed deep learning networks among institutions for medical imaging. , 945–954 (2018). J. Am. Med. Inform. Assoc. 25 Shokri, R., Stronati, M., Song, C. & Shmatikov, V. Membership inference attacks against machine learning models. In , 3-18 (IEEE, 2017). 2017 IEEE Symposium on Security and Privacy (SP) Sablayrolles, A., Douze, M., Ollivier, Y., Schmid, C. & Jégou, H. White-box vs black-box: Bayes optimal strategies for membership inference. In Chaudhuri, K. & Salakhutdinov, R. (eds) , 5558–5567. (PMLR, 2019). Proceedings of the 36th International Conference on Machine Learning, {ICML} 97 http://proceedings.mlr.press/v97/sablayrolles19a.html Zhang, C., Bengio, S., Hardt, M., Recht, B. & Vinyals, O. Understanding deep learning requires rethinking generalization. In , (OpenReview.net, 2017). 5th International Conference on Learning Representations, {ICLR}. https://openreview.net/forum?id=Sy8gdB9xx Carlini, N., Liu, C., Erlingsson, Ú., Kos, J. & Song, D. The secret sharer: evaluating and testing unintended memorization in neural networks. In Heninger, N. & Traynor, P. (eds) { } ({ } , 267–284. ({USENIX} Association, Santa Clara, CA, USA, 2019). 28th USENIX Security Symposium USENIX Security 19 https://www.usenix.org/conference/usenixsecurity19/presentation/carlini Abadi, M. et al. Deep learning with differential privacy. In , 308–318 (ACM, 2016). Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security Shokri, R. & Shmatikov, V. Privacy-preserving deep learning. In , 1310–1321 (ACM, 2015). Proceedings of the 22nd ACM SIGSAC conference on computer and communications security Langlotz, C. P. et al. A roadmap for foundational research on artificial intelligence in medical imaging: from the 2018 nih/rsna/acr/the academy workshop. , 781–791 (2019). Radiology 291 Kim, Y., Sun, J., Yu, H. & Jiang, X. Federated Tensor Factorization for Computational Phenotyping. In . 887–895. (ACM, Halifax, NS, Canada, 2017). Proceedings of the 23rd {ACM} {SIGKDD} International Conference on Knowledge Discoveryand Data Mining https://doi.org/10.1145/3097983.3098118 He, C., Annavaram, M. & Avestimehr, S. Fednas: Federated deep learning via neural architecture search. (2020). https://sites.google.com/view/cvpr20-nas/ Trustworthy federated data analytics (tfda). (2020) (Accessed 28 May 2020). https://tfda.hmsp.center/ Joint Imaging Platform (Jip). (2020) (Accessed 28 May 2020). https://jip.dktk.dkfz.de/jiphomepage/ Medical institutions collaborate to improve mammogram assessment ai. (2020) (Accessed 28 May 2020). https://blogs.nvidia.com/blog/2020/04/15/federated-learning-mammogram-assessment/ Healthchain consortium. (2020) (Accessed 28 May 2020). https://www.substra.ai/en/healthchain-project The federated tumor segmentation (fets) initiative. (2020) (Accessed 28 May 2020). https://www.fets.ai Machine learning ledger orchestration for drug discovery. (2020). Accessed 28 May 2020. https://cordis.europa.eu/project/id/831472 Konečny`, J., McMahan, H. B., Ramage, D. & Richtárik, P. Federated optimization: Distributed machine learning for on-device intelligence. (2016). arXiv preprint arXiv:1610.02527 Lalitha, A., Kilinc, O. C., Javidi, T. & Koushanfar, F. Peer-to-peer federated learning on graphs. (2019). arXiv preprint arXiv:1901.11173 Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A. & Smith, V. Federated optimization in heterogeneous networks. (2018). arXiv preprint arXiv:1812.06127 Zhao, Y. et al. Federated learning with non-iid data. (2018). arxivabs/1806.00582 Li, X., Huang, K., Yang, W., Wang, S. & Zhang, Z. On the convergence of fedavg on non-IID data. (2020). https://openreview.net/forum?id=HJxNAnVtDS Wu, B. et al. P3sgd: patient privacy preserving SGD for regularizing deep CNNs in pathological image classification. In (pp. 2099–2108) (2019). Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Zhu, L., Liu, Z. & Han, S. Deep leakage from gradients. In Wallach, H. M. et al. (eds) , 14747–14756. (2019). Advances in Neural Information Processing Systems 32: Annual Conference on Neural Information Processing Systems http://papers.nips.cc/paper/9617-deep-leakage-from-gradients Wang, Z. et al. Beyond inferring class representatives: user-level privacy leakage from federated learning. In 2512–2520. (IEEE, Paris, France, 2019). 2019 {IEEE} Conferenceon Computer Communications, {INFOCOM} https://doi.org/10.1109/INFOCOM.2019.8737416 Hitaj, B., Ateniese, G. & Perez-Cruz, F. Deep models under the gan: information leakage from collaborative deep learning. In , CCS’17, 603–618 (Association for Computing Machinery, New York, NY, USA, 2017). Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security Ghorbani, A. & Zou, J. Data shapley: Equitable valuation of data for machine learning. In (pp. 2242-2251) (2019). International Conference on Machine Learning ការទទួលស្គាល់ This work was supported by the UK Research and Innovation London Medical Imaging & Artificial Intelligence Centre for Value-Based Healthcare, by the Wellcome/EPSRC Centre for Medical Engineering (WT203148/Z/16/Z), by the Wellcome Flagship Programme (WT213038/Z/18/Z), by the Intramural Research Programme of the National Institutes of Health (NIH) Clinical Center, by the National Cancer Institute of the NIH under award number U01CA242871, by the National Institute of Neurological Disorders and Stroke of the NIH under award number R01NS042645, as well as by the Helmholtz Initiative and Networking Fund (project “Trustworthy Federated Data Analytics”) and the PRIME programme of the German Academic Exchange Service (DAAD) with funds from the German Federal Ministry of Education and Research (BMBF). The content and opinions expressed in this publication is solely the responsibility of the authors and do not necessarily represent those of the institutions they are affiliated with, e.g., the U.S. Department of Health and Human Services or the National Institutes of Health. Open access funding provided by Projekt DEAL. សៀវភៅនេះអាចរកបានដោយផ្ទាល់នៅក្រោម CC by 4.0 Deed License (Attribution 4.0 International) ។ សៀវភៅនេះអាចរកបានដោយផ្ទាល់នៅក្រោម CC by 4.0 Deed License (Attribution 4.0 International) ។
