ຊື່ຂອງ : Nicola Rieke Jonny Hancox ມື້ຄ່ໍາ 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 ຊື່ຂອງ : ວິທະຍາໄລ ຊື່ຫຍໍ້ຂອງ : Johnny Hancox ມື້ຄ່ໍາ ຊື່ຫຍໍ້ຂອງ : Fausto Milletarì ຊື່ຫຍໍ້ຂອງ : Holger R. Roth ຊື່ຫຍໍ້ຂອງ : Shadi Albarqouni ປະເພດ Spyridon Bakas ຊື່ຫຍໍ້ຂອງ : Mathieu N Galtier ຊື່ຫຍໍ້ຂອງ : Bennett A Landman ມັກສູດ Maier-Hein ຊື່ຫຍໍ້ຂອງ : Sebastien Ourselin ຊື່ຫຍໍ້ຂອງ : Micah Sheller ຊື່ຫຍໍ້ຂອງ : Ronald M Summers ເມນູ Trask ພາສາລາວ ວິທະຍາໄລ Maximilian Baust ຊື່ຫຍໍ້ຂອງ : Jorge Cardoso ອັດຕະໂນມັດ ການຝຶກອົບຮົມອຸປະກອນການຝຶກອົບຮົມ (ML) ແມ່ນການຝຶກອົບຮົມສໍາລັບການຝຶກອົບຮົມການຝຶກອົບຮົມອຸປະກອນການຝຶກອົບຮົມ, ການຝຶກອົບຮົມແລະການຝຶກອົບຮົມອຸປະກອນການຝຶກອົບຮົມ, ການຝຶກອົບຮົມການຝຶກອົບຮົມ, ການຝຶກອົບຮົມການຝຶກອົບຮົມ, ການຝຶກອົບຮົມການຝຶກອົບຮົມແລະການຝຶກອົບຮົມ. ລະຫັດ QR ການຄົ້ນຄວ້າກ່ຽວກັບຄວາມຄິດສ້າງສັນ artificial intelligence (AI) ແລະເພີ່ມເຕີມການພັດທະນາໃນເຄື່ອງ learning (ML) ແລະ deep learning (DL) ໃນຖານະເປັນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດແລະວິທະຍາໄລກ່ຽວກັບທັກສະດ້ານໄອທີແລະວິທະຍາໄລກ່ຽວກັບທັກສະດ້ານໄອທີແລະວິທະຍາໄລກ່ຽວກັບທັກສະດ້ານໄອທີແລະວິທະຍາໄລກ່ຽວກັບທັກສະດ້ານໄອທີແລະວິທະຍາໄລກ່ຽວກັບທັກສະດ້ານໄອທີແລະວິທະຍາໄລກ່ຽວກັບທັກສະດ້ານໄອທີ. , , , . 1 2 3 4 5 ການຝຶກອົບຮົມການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບການກວດສອບ ຖ້າຫາກວ່າການດາວໂຫລດຂໍ້ມູນສາມາດກວດສອບການດາວໂຫລດນີ້, ມັນເປັນສິ່ງທີ່ຮູ້ຈັກຢ່າງກວ້າງຂວາງໃນປັດຈຸບັນວ່າການກວດສອບ metadata ເຊັ່ນດຽວກັນກັບຊື່ຂອງຫມູ່ເພື່ອນຫຼືວັນຄຣິດສະມາດແມ່ນບໍ່ພຽງພໍເພື່ອປົກປັກຮັກສາຄວາມເປັນສ່ວນບຸກຄົນ. . ມັນເປັນໄປໄດ້, ໂດຍສະເພາະ, ການ reconstruct ຮູບເງົາຂອງຜູ້ຊາຍຈາກ tomography computed (CT) ຫຼື magnetic resonance imaging (MRI) data ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍການບໍລິການລູກຄ້າຂອງພວກເຮົາ, ຂ້າພະເຈົ້າຫວັງວ່າຈະໄດ້ເຮັດວຽກຮ່ວມກັບທ່ານອີກເທື່ອຫນຶ່ງ! 6 7 8 ການຝຶກອົບຮົມ Federal Learning (FL) , , ມັນເປັນ paradigm learning ທີ່ຊອກຫາສໍາລັບການປິ່ນປົວບັນຫາຂອງການຄຸ້ມຄອງຂໍ້ມູນແລະຄວາມປອດໄພໂດຍການຝຶກອົບຮົມ algoritms ໂດຍການຮ່ວມມືໂດຍບໍ່ມີການປ່ຽນແປງຂໍ້ມູນຕົນເອງ. ມັນໄດ້ຖືກພັດທະນາໂດຍທົ່ວໄປສໍາລັບອຸປະກອນທີ່ແຕກຕ່າງກັນ, ເຊັ່ນ: ການນໍາໃຊ້ໂທລະສັບມືຖືແລະອຸປະກອນ Edge , ມັນໄດ້ເລີ່ມຕົ້ນຢ່າງຕໍ່ເນື່ອງສໍາລັບການນໍາໃຊ້ອຸປະກອນການຄົ້ນຄວ້າ , , , , , , , FL ອະນຸຍາດໃຫ້ການຊອກຫາຄວາມຮູ້ໂດຍການຮ່ວມມື, ເຊັ່ນດຽວກັນ, ໃນປະເພດຂອງມາດຕະຖານການຕັດສິນໃຈ, ໂດຍບໍ່ມີການປ່ຽນແປງຂໍ້ມູນຂອງຜູ້ຊ່ຽວຊານພາຍໃຕ້ firewalls ຂອງອຸປະກອນທີ່ພວກເຂົາຢູ່. ໃນປັດຈຸບັນ, ການປິ່ນປົວຂອງ ML ແມ່ນເກີດຂຶ້ນໃນສະຖານທີ່ທັງຫມົດແລະພຽງແຕ່ຄຸນນະພາບຂອງມາດຕະຖານ (ເຊັ່ນ: parameter, gradient) ໄດ້ຖືກຂົນສົ່ງຢ່າງເປັນທາງການໃນ Fig. ການຄົ້ນຄວ້າທີ່ຜ່ານມາໄດ້ສະແດງໃຫ້ເຫັນວ່າຮູບແບບການຝຶກອົບຮົມໂດຍ FL ສາມາດໄດ້ຮັບລະດັບຄວາມສາມາດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີການຝຶກອົບຮົມໃນຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃນຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃນຮູບແບບການຝຶກອົບຮົມທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດທີ່ມີຄຸນນະສົມບັດ. , . 9 10 11 12 13 14 15 16 17 18 19 20 1 16 17 FL aggregation server – ລະບົບການເຮັດວຽກ FL ປະເພດໃນທີ່ federation ຂອງ nodes ການຝຶກອົບຮົມໄດ້ຮັບມາດຕະຖານທົ່ວໂລກ, ສະຫນັບສະຫນູນມາດຕະຖານການຝຶກອົບຮົມຂອງເຂົາເຈົ້າກັບມາດຕະຖານການຝຶກອົບຮົມຂອງເຂົາເຈົ້າກັບມາດຕະຖານການຝຶກອົບຮົມຂອງເຂົາເຈົ້າກັບມາດຕະຖານການຝຶກອົບຮົມຂອງເຂົາເຈົ້າກັບມາດຕະຖານການຝຶກອົບຮົມແລະຫຼັງຈາກນັ້ນການຝຶກອົບຮົມຕໍ່ມາດຕະຖານການຝຶກອົບຮົມທີ່ມາດຕະຖານການຝຶກອົບຮົມຂອງເຂົາເຈົ້າ. FL peer to peer — formulation ອັດຕະໂນມັດຂອງ FL ໃນທີ່ແຕ່ລະ node ການຝຶກອົບຮົມການປ່ຽນແປງຮູບແບບການຝຶກອົບຮົມຂອງຕົນກັບຈໍານວນຫນຶ່ງຫຼືທັງຫມົດຂອງຕົວແທນຂອງຕົນແລະແຕ່ລະເຮັດການ agregation ຂອງຕົນເອງ. ການຝຶກອົບຮົມ centralized – ການຝຶກອົບຮົມການຝຶກອົບຮົມທົ່ວໄປທີ່ບໍ່ແມ່ນ FL ໃນຂະນະທີ່ເວັບໄຊທ໌ທີ່ໄດ້ຮັບການຝຶກອົບຮົມຂໍ້ມູນໃຫ້ຂໍ້ມູນຂອງເຂົາເຈົ້າເພື່ອທົດລອງຂໍ້ມູນຂອງເຂົາເຈົ້າແລະຜູ້ອື່ນໆຈາກທີ່ພວກເຂົາເຈົ້າແລະພວກເຂົາເຈົ້າສາມາດຊອກຫາຂໍ້ມູນສໍາລັບການຝຶກອົບຮົມອຸດສາຫະກໍາ. a b c ການປະຕິບັດທີ່ດີເລີດຂອງ FL ສາມາດມີພະລັງງານຂະຫນາດໃຫຍ່ສໍາລັບການຊ່ວຍເຫຼືອການປິ່ນປົວຄຸນນະພາບໃນລະດັບຂະຫນາດໃຫຍ່, ເຮັດໃຫ້ຜະລິດຕະພັນທີ່ເຮັດໃຫ້ຄໍາຮ້ອງສະຫມັກທີ່ບໍ່ມີຕົວແທນ, ປັບສະຫນູນການປິ່ນປົວຂອງຜູ້ຊ່ຽວຊານທີ່ດີເລີດ, ແລະມີຄວາມສາມາດໃນການປິ່ນປົວການປິ່ນປົວທີ່ບໍ່ມີຕົວແທນ, ໃນຂະນະທີ່ພວກເຮົາມີຄວາມຮູ້ສຶກກ່ຽວກັບການຄວບຄຸມແລະຄວາມປອດໄພ. ຢ່າງໃດກໍຕາມ, FL ມີຄວາມສາມາດໃນການຕອບສະຫນັບສະຫນູນຂອງການປິ່ນປົວທີ່ຕ້ອງການການຄົ້ນຄວ້າເຕັກໂນໂລຊີສູງເພື່ອຮັບປະກັນວ່າ algorithm ແມ່ນການເຮັດວຽກທີ່ດີເລີດໂດຍບໍ່ເສຍຄ່າຄວາມປອດໄພຫຼືຄວາມປອດໄພຂອງຜູ້ຊ່ຽວຊານ. ພວກເຮົາມີຄວາມຮູ້ສຶກວ່າຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບ ການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນ ໃນຖານະເປັນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮ ການເຊື່ອມຕໍ່ກັບ data ຖ້າຫາກວ່າມັນເປັນຄໍາຮ້ອງສະຫມັກທີ່ຮູ້ຈັກຢ່າງກວ້າງຂວາງ, algorithms ທີ່ມີປະສິດທິພາບສູງແມ່ນປົກກະຕິຖືກ evaluated ໂດຍການຄົ້ນຄວ້າຂໍ້ມູນທີ່ມີຄຸນນະພາບສູງ, ຢ່າງໃດກໍຕາມ, ມັນສາມາດນໍາສະເຫນີການຄົ້ນຄວ້າທີ່ແຕກຕ່າງໃນໄລຍະເວລາທີ່ demographics (ເຊັ່ນດຽວກັນ, ປະເພດ, ປະເພດ) ຫຼື imbalances ອຸດສາຫະກໍາ (ເຊັ່ນດຽວກັນ, protocol ການຊື້, ຜູ້ຜະລິດອຸປະກອນ) ເຮັດການຄາດຄະເນດິນແລະມີຜົນປະໂຫຍດທີ່ແຕກຕ່າງກັນກ່ຽວກັບຄວາມຖືກຕ້ອງສໍາລັບກຸ່ມຫຼືສະຖານທີ່ພິເສດ. ພວກເຮົາ ກໍາ ລັງ ຊອກ ຫາ ຄູ່ ຮ່ວມ ງານ ຂອງ ຊີ ວິດ, buddy ສໍາ ລັບ ສັດ ລ້ຽງ ຫຼື ພຽງ ແຕ່ ຜູ້ ໃດ ຜູ້ ຫນຶ່ງ ຂອງ ທ່ານ ທີ່ ຈະ ວາງ ສາຍ ອອກ ກັບ, ທີ່ ນີ້ ທ່ານ ຈະ ສາ ມາດ ຊອກ ຫາ ໄດ້ ຜູ້ ທີ່ ທ່ານ ກໍາ ລັງ ຊອກ ຫາ ຄູ່ ຮ່ວມ ງານ ຂອງ ຊີ ວິດ. , ຫຼືເປັນພະລັງງານສໍາລັບການຂະຫຍາຍຕົວເສດຖະກິດແລະການພັດທະນາວິທະຍາສາດ, ເຊັ່ນ: NHS Scotland National Safe Haven ວິທະຍາໄລຂອງ France Health Data Hub , ແລະ Health Data Research UK . 21 22 23 24 ວິທີການທີ່ສໍາຄັນ, ແຕ່ຂະຫນາດນ້ອຍ, ລວມທັງ Human Connectome ໂຮງງານຜະລິດ UK Biobank ວິທະຍາໄລ Cancer Imaging Archive (TCIA) ຊື່ຫຍໍ້ຂອງ : CXR8 ດາວນ໌ໂຫລດ DeepLesion ວິທະຍາໄລ Cancer Genome Atlas (TCGA) ການຝຶກອົບຮົມ Alzheimer's Disease Neuroimaging Initiative (ADNI) , ເຊັ່ນດຽວກັນກັບຂະຫນາດໃຫຍ່ຂອງການຝຶກອົບຮົມ ປະເພດຂອງ Camelyon Challenge ການຝຶກອົບຮົມ Brain Tumor Segmentation International (BraTS) , , ດາວນ໌ໂຫລດ Medical Segmentation Decathlon ຮູບພາບ ສໍາ ລັບ ສັດ ລ້ຽງ ສັດ ລ້ຽງ ສັດ ລ້ຽງ ສັດ ລ້ຽງ 25 26 27 28 29 30 31 32 33 34 35 36 37 ການທົດສອບຂໍ້ມູນຫຼືການສົ່ງເສີມຂໍ້ມູນແມ່ນບໍ່ພຽງແຕ່ຄຸນນະສົມບັດການປົກປັກຮັກສາຂໍ້ມູນແລະການປົກປັກຮັກສາຂໍ້ມູນ, ແຕ່ຍັງຄຸນນະສົມບັດດ້ານວິຊາການ. Anonymization, ການຄວບຄຸມການເຂົ້າເຖິງແລະການສົ່ງເສີມຂໍ້ມູນການຄຸ້ມຄອງຄຸນນະສົມບັດຄຸນນະສົມບັດຄຸນນະສົມບັດຄຸນນະສົມບັດຄຸນນະສົມບັດຄຸນນະສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດຄຸນສົມບັດ ນີ້ແມ່ນການນໍາໃຊ້ສໍາລັບຂໍ້ມູນ genomic ແລະຮູບພາບດ້ານວິຊາການທີ່ເຮັດໃຫ້ມັນເປັນເອກະລັກເຊັ່ນ fingerprint. ພວກເຮົາ ກໍາ ລັງ ຊອກ ຫາ ຄູ່ ຮ່ວມ ງານ ຂອງ ຊີ ວິດ, buddy ສໍາ ລັບ ສັດ ລ້ຽງ ຫຼື ພຽງ ແຕ່ ຜູ້ ໃດ ຜູ້ ຫນຶ່ງ ຂອງ ທ່ານ ທີ່ ຈະ ວາງ ສາຍ ອອກ ກັບ, ທີ່ ນີ້ ທ່ານ ຈະ ສາ ມາດ ຊອກ ຫາ ໄດ້ ຜູ້ ທີ່ ທ່ານ ກໍາ ລັງ ຊອກ ຫາ ສໍາ ລັບ - pet lovers ຄື ຕົວ ທ່ານ ເອງ. 7 38 ການຝຶກອົບຮົມ Federated ການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ ທີ່ຜ່ານມາໃນ Fig. , FL workflow ສາມາດໄດ້ຮັບການປະຕິບັດໂດຍໃຊ້ topologies ທີ່ແຕກຕ່າງກັນແລະໂຄງການຄອມພິວເຕີ. The two most common ones for healthcare applications are via an aggregation server , , ແລະ peer ກັບ peer approaches , . ໃນທຸກກໍລະນີ, FL ສະຫນັບສະຫນູນຄວາມເປັນສ່ວນບຸກຄົນທີ່ມີຄວາມເປັນສ່ວນບຸກຄົນ, ໃນຂະນະທີ່ຜູ້ເຂົ້າຮ່ວມ FL ບໍ່ໄດ້ເຂົ້າເຖິງຂໍ້ມູນຈາກອົງການຈັດຕັ້ງອື່ນໆແລະພຽງແຕ່ໄດ້ຮັບອະນຸຍາດຂອງມາດຕະຖານທີ່ຖືກກວດສອບໃນໄລຍະຜູ້ຊ່ຽວຊານຫຼາຍ. ໃນການເຮັດວຽກຂອງ FL ມີ server ການກວດສອບ, ອະນຸຍາດຂອງການກວດສອບສາມາດບໍ່ເຂົ້າໃຈກັບຄົນອື່ນ. ຢ່າງໃດກໍຕາມ, ມັນໄດ້ສະແດງໃຫ້ເຫັນວ່າມາດຕະຖານຕົນເອງສາມາດ, ໃນສະຖານທີ່ພິເສດ, ດາວນ໌ໂຫລດຂໍ້ມູນ , , , . ດັ່ງນັ້ນ, ການເຄື່ອນໄຫວເຊັ່ນ Differential Privacy , ການຝຶກອົບຮົມຂອງ FL ສໍາລັບການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດການເຂົ້າລະຫັດ ແລະເຕັກໂນໂລຊີ FL ແມ່ນພື້ນຖານການຄົ້ນຄວ້າທີ່ແຕກຕ່າງກັນ , . 2 16 17 18 15 39 40 41 42 43 44 45 46 12 20 Topologies FL – ການຄຸ້ມຄອງການຄຸ້ມຄອງການຄຸ້ມຄອງການຄຸ້ມຄອງຂອງ federation. ລະບົບການເຊື່ອມໂລຫະ: ການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະ Decentralized: ທັງຫມົດການຝຶກອົບຮົມ nodes ມີການເຊື່ອມຕໍ່ກັບຫນຶ່ງຫຼືຫຼາຍກ່ວາ peers ແລະ aggregation ແມ່ນເກີດຂຶ້ນໃນແຕ່ລະ nodes ໃນ parallel. ລະບົບໄຮໂດຼລິກ: ລະບົບໄຮໂດຼລິກສາມາດປະກອບດ້ວຍຂະຫນາດນ້ອຍ sub-federations, ເຊິ່ງສາມາດໄດ້ຮັບການກໍ່ສ້າງຈາກ mix of Peer to Peer ແລະ Aggregation Server federations ( )). FL ການຄຸ້ມຄອງໂຄງການຄອມພິວເຕີ — trajectory ຂອງມາດຕະຖານໃນໄລຍະຜູ້ຊ່ຽວຊານ. ການຝຶກອົບຮົມ sequential / ການຝຶກອົບຮົມ transfer cyclic. ການເຊື່ອມຕໍ່ server, Peer ກັບ peer a b c d e f g ການເຮັດວຽກຂອງ FL ໃນປັດຈຸບັນສໍາລັບການຄຸນນະພາບຄອມພິວເຕີ ໃນຂະນະທີ່ FL ແມ່ນ paradigm ການຝຶກອົບຮົມທົ່ວໄປທີ່ຫຼຸດຜ່ອນຄວາມຕ້ອງການການເຊື່ອມຕໍ່ຂໍ້ມູນສໍາລັບການພັດທະນາຮູບແບບ AI, ປະເພດການນໍາໃຊ້ຂອງ FL ສະຫນັບສະຫນູນທັງຫມົດຂອງ AI ສໍາລັບການຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງ ໃນສະພາບແວດລ້ອມຂອງອຸປະກອນຄຸນນະພາບອິນເຕີເນັດ (Electronic Health Records, EHR), ໂດຍສະເພາະ, FL ມີການຊ່ວຍເຫຼືອໃນການສະຫນັບສະຫນູນແລະຊອກຫາຜູ້ຊ່ຽວຊານທີ່ມີຄຸນນະພາບຄຸນນະພາບສູງ. , , ເຊັ່ນດຽວກັນກັບການຄາດຄະເນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນ ທີ່ຢູ່ ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ການນໍາໃຊ້ແລະປະໂຫຍດຂອງ FL ຍັງໄດ້ຖືກສະແດງໃຫ້ເຫັນໃນພາກສະຫນາມຂອງການ imaging ອັດຕະໂນມັດ, ສໍາລັບ segmentation ຂອງสมองທັງຫມົດໃນ MRI , ເຊັ່ນດຽວກັນກັບ segmentation tumor brain , ທີ່ຜ່ານມາ, ວິທີການນີ້ໄດ້ຖືກນໍາໃຊ້ສໍາລັບການສື່ສານ fMRI ເພື່ອຊອກຫາ biomarker ທີ່ກ່ຽວຂ້ອງກັບພະຍາດ ແລະສະເຫນີເປັນການປິ່ນປົວທີ່ຫນ້າສົນໃຈໃນສະຖານທີ່ຂອງ COVID-19 . 13 47 14 19 15 16 17 18 48 ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈຂອງຂ້າພະເຈົ້າ, ຂ້າພະເຈົ້າຫວັງວ່າຈະໄດ້ເຮັດວຽກຮ່ວມກັບຂ້າພະເຈົ້າ. ຂ້າພະເຈົ້າຫວັງວ່າຈະໄດ້ເຮັດວຽກຮ່ວມກັບຂ້າພະເຈົ້າ. ນີ້ປະກອບມີ consortia ທີ່ທັນສະໄຫມເພື່ອ advance ການຄົ້ນຄວ້າ, ເຊັ່ນ Project Trustworthy Federated Data Analytics (TFDA) ແລະ Platform Imaging Joint ຂອງ Consortium Cancer ເຢຍລະມັນ ການຄົ້ນຄວ້າ decentralized ໃນອຸປະກອນການຄົ້ນຄວ້າ imaging ໃນປະເທດເຢຍລະມັນ. ປະເພດອື່ນໆແມ່ນການຮ່ວມມືການຄົ້ນຄວ້າລະຫວ່າງປະເທດທີ່ນໍາໃຊ້ FL ສໍາລັບການພັດທະນາຂອງມະນຸດ AI ສໍາລັບການຄົ້ນຄວ້າ mammograms ການຄົ້ນຄວ້າໄດ້ສະແດງໃຫ້ເຫັນວ່າຮູບແບບ FL-generated ດໍາເນີນການຫຼາຍກ່ວາທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນຂອງອິນເຕີເນັດຫນຶ່ງແລະໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງຫຼາຍ, ດັ່ງນັ້ນພວກເຂົາເຈົ້າຍັງເຮັດວຽກດີກັບຂໍ້ມູນຂອງອິນເຕີເນັດອື່ນໆ. academic 49 50 51 ໂດຍການເຊື່ອມຕໍ່ອຸປະກອນການຄົ້ນຄວ້າ, ບໍ່ພຽງແຕ່ກັບສູນການຄົ້ນຄວ້າ, FL ສາມາດໄດ້ຮັບອະນຸຍາດ Impact. ໂຄງການ HealthChain ໃນປັດຈຸບັນ ວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາ , ທີ່ເປັນອະນຸມັດລະຫວ່າງປະເທດຂອງ 30 ວິສະວະກໍາການຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງ ວິທະຍາໄລ 52 53 ປະເພດທີ່ແຕກຕ່າງກັນຂອງ Impact ການຄົ້ນຄວ້າແລະການທົດສອບ. FL ເຮັດໃຫ້ການຄົ້ນຄວ້າການຮ່ວມມືສໍາລັບບໍລິສັດ, ເຊັ່ນດຽວກັນກັບຜູ້ຊ່ຽວຊານ. ໃນຂະນະທີ່ນີ້, ຫນຶ່ງໃນວິທີທີ່ໃຫຍ່ທີ່ສຸດແມ່ນໂຄງການ Melloddy ມັນເປັນໂຄງການທີ່ຄົ້ນຄວ້າການນໍາໃຊ້ FL multi-task ໃນໄລຍະຊຸດຂໍ້ມູນຂອງ 10 ບໍລິສັດຢາ. ໂດຍການຝຶກອົບຮົມຮູບແບບການຄາດຄະເນດຽວກັນ, ເຊິ່ງອະນຸຍາດໃຫ້ວິທີການຂອງການເຊື່ອມຕໍ່ຂອງອົງປະກອບເຄມີກັບ protéines, ຜູ້ຊ່ຽວຊານໄດ້ຄາດຄະເນດິນດີຕ້ອນຮັບການປັບປຸງການຊອກຫາອຸປະກອນໂດຍບໍ່ສະແດງໃຫ້ເຫັນຂໍ້ມູນຂອງເຂົາເຈົ້າ. ອຸດສາຫະກໍາ 54 ຜົນປະໂຫຍດສໍາລັບຜູ້ຊ່ຽວຊານ FL ລວມເອົາການປ່ຽນແປງ paradigm ຈາກທ້ອງຖິ່ນ data ແລະມັນເປັນສິ່ງທີ່ສໍາຄັນທີ່ຈະຮູ້ຜົນກະທົບຂອງຕົນກ່ຽວກັບຜູ້ຊ່ຽວຊານທີ່ແຕກຕ່າງກັນໃນອຸດສາຫະກໍາອຸດສາຫະກໍາ. Clinicians ການຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າ ທີ່ດີທີ່ສຸດ ການຄຸ້ມຄອງ FL ໃນລະດັບໂລກສາມາດຮັບປະກັນຄຸນນະພາບສູງຂອງຄໍາຮ້ອງສະຫມັກຄົ້ນຄ້ວາໂດຍບໍ່ມີການນໍາໃຊ້ການປິ່ນປົວ. ໂດຍສະເພາະ, patients requiring medical care in remote areas could benefit from the same high-quality ML-aided diagnoses that are available in hospitals with a large number of cases. The same holds true for rare, or geographically uncommon, diseases, which are likely to have milder consequences if faster and more accurate diagnoses can be made. FL can also lower the barrier for becoming a data donor, since patients can be reassured that the data remains with their own institution and data access can be revoked. Hospitals ແລະ Practices ວິທະຍາໄລແລະວິຊາການສາມາດໄດ້ຮັບການຄວບຄຸມແລະກວດສອບຂໍ້ມູນຂອງພວກເຂົາໂດຍການເຂົ້າເຖິງຂໍ້ມູນທີ່ສາມາດເຂົ້າເຖິງໄດ້ຢ່າງກວ້າງຂວາງ, ການກວດສອບຄວາມປອດໄພຂອງການນໍາໃຊ້ທີ່ບໍ່ເສຍຄ່າໂດຍບໍລິສັດອື່ນໆ. ຢ່າງໃດກໍຕາມ, ມັນຈະຕ້ອງການການລົງທຶນໃນອຸດສາຫະກໍາການຄອມພິວເຕີໃນສະຖານທີ່ຫຼືການສະຫນອງການບໍລິການ cloud ເອກະຊົນແລະການເຊື່ອມຕໍ່ກັບຮູບແບບຂໍ້ມູນມາດຕະຖານແລະ synoptic ເພື່ອໃຫ້ການຝຶກອົບຮົມແລະ evaluating ໂມເລກຸນ ML ທີ່ບໍ່ເສຍຄ່າ. ຂະຫນາດຂອງຄຸນນະພາບການຄອມພິວເຕີທີ່ຈໍາເປັນຕ້ອງແມ່ນປົກກະຕິຈາກວ່າເວັບໄຊທ໌ພຽງແຕ່ໄດ້ຮ່ວມມືກັບການ evaluating ແລະການທົດສອບຫຼືຍັງໃນຄວາມຕ້ອງການການຝຶກອົບຮົມ ການຄົ້ນຄວ້າແລະຜູ້ພັດທະນາ AI ການຄົ້ນຄວ້າແລະຜູ້ພັດທະນາ AI ສາມາດໄດ້ຮັບຜົນປະໂຫຍດຈາກການເຂົ້າເຖິງການຄົ້ນຄວ້າທີ່ໃຫຍ່ທີ່ສຸດຂອງຂໍ້ມູນໃນໂລກທີ່ແທ້ຈິງ, ເຊິ່ງຈະມີຜົນປະໂຫຍດໃນຫ້ອງທົດລອງການຄົ້ນຄວ້າຂະຫນາດນ້ອຍແລະ start-ups. ດັ່ງນັ້ນ, ການຄົ້ນຄວ້າສາມາດໄດ້ຮັບຜົນປະໂຫຍດໂດຍການປິ່ນປົວຄວາມຕ້ອງການຄົ້ນຄວ້າແລະບັນຫາດ້ານວິຊາການທີ່ກ່ຽວຂ້ອງ rather than relying on the limited supply of open data sets. At the same time, it will be necessary to conduct research on algorithmic strategies for federated training, e.g., how to combine models or updates efficiently, how to be robust to distribution shifts , , ການພັດທະນາ FL ອະນຸຍາດຍັງວ່າຜູ້ຄົ້ນຄວ້າຫຼືຜູ້ພັດທະນາ AI ບໍ່ສາມາດກວດສອບຫຼືເບິ່ງທັງຫມົດຂອງຂໍ້ມູນທີ່ຮູບແບບໄດ້ຝຶກອົບຮົມ, ເຊັ່ນດຽວກັນ, ມັນບໍ່ສາມາດເບິ່ງກໍລະນີການທົດສອບສ່ວນບຸກຄົນເພື່ອຮູ້ວ່າຮູບແບບທົດສອບໃນປັດຈຸບັນບໍ່ມີຜົນປະໂຫຍດ. 11 12 20 ຜູ້ສະຫນອງການປິ່ນປົວ ການບໍລິການຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງ ຜູ້ຜະລິດ ຜະລິດຕະພັນຂອງອຸປະກອນການຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າ ການທົບທວນຄືນເຕັກໂນໂລຊີ FL ແມ່ນທີ່ຮູ້ຈັກທີ່ສຸດຈາກການເຮັດວຽກຂອງ Konečnỳ et al. , ແຕ່ຄຸນນະສົມບັດຕ່າງໆອື່ນໆໄດ້ຖືກສະເຫນີໃນສາດສະຫນາຈັກ , , , ການເຮັດວຽກ FL (Fig. ) ສາມາດໄດ້ຮັບການປະຕິບັດໂດຍຜ່ານ topologies ທີ່ແຕກຕ່າງກັນແລະໂຄງການຄອມພິວເຕີ ( Fig. ໃນປັດຈຸບັນ, ພວກເຮົາຈະຊອກຫາຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບສິ່ງທີ່ FL ແມ່ນ, ເຊັ່ນດຽວກັນກັບລັກສະນະທີ່ສໍາຄັນແລະວິທີການດ້ານວິຊາການທີ່ເກີດຂຶ້ນໃນເວລາທີ່ນໍາໃຊ້ FL ໃນຄອມພິວເຕີຄອມພິວເຕີ. 55 9 11 12 20 1 2 ຄວາມຄິດເຫັນທີ່ Federated Learning ການຝຶກອົບຮົມ FL ແມ່ນ paradigm ການຝຶກອົບຮົມ multiparty collaboratively without the need to exchange or centralize data sets. A general formulation of FL reads as follows: Let denote a global loss function obtained via a weighted combination of data sets. ການເກັບຮັກສາພື້ນຖານ, calculated from private data , ທີ່ຢູ່ໃກ້ກັບຜູ້ຊ່ຽວຊານ individually ແລະບໍ່ມີສ່ວນຮ່ວມໃນລະຫວ່າງພວກເຂົາ: K ລະຫັດ QR ວິທີການ > 0 ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນູນ. ລະຫັດ QR ໃນປັດຈຸບັນ, ຜູ້ຊ່ຽວຊານຈະໄດ້ຮັບແລະປັບປຸງມາດຕະຖານ consensus ໃນທົ່ວໂລກໂດຍຜ່ານການນໍາໃຊ້ສາມຊົ່ວໂມງຂອງການປັບປຸງຢູ່ໃນສະຖານທີ່ແລະກ່ອນທີ່ຈະຊອກຫາການປັບປຸງຫຼືໂດຍຜ່ານ server parameter. The more rounds of local training are performed, the less it is guaranteed that the overall procedure is minimizing. ) , ການປິ່ນປົວທີ່ແທ້ຈິງສໍາລັບການ aggregating parameter ໄດ້ depende ຂອງ topology network, ໃນຂະນະທີ່ nodes ສາມາດໄດ້ຮັບການກວດສອບ into sub-networks due to geographical or legal constraints (ເບິ່ງ Fig. 5). ). ອັດຕະໂນມັດການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະການເຊື່ອມໂລຫະ , , ໃນຂະນະທີ່ຕົວຢ່າງຂອງການກວດສອບ FL ຕົ້ນຕໍໄດ້ຖືກສະເຫນີໃນ Algorithm 1. ກະລຸນາຮູ້ວ່າສະຖານະການກວດສອບບໍ່ຈໍາເປັນຕ້ອງໄດ້ຮັບຂໍ້ມູນກ່ຽວກັບການປັບປຸງຕົວແບບທັງຫມົດ; ຄູ່ມືຂອງລູກຄ້າອາດຈະເລືອກທີ່ຈະຂຽນພຽງແຕ່ subset ຂອງຄໍາຮ້ອງສະຫມັກຂອງຕົວແບບເພື່ອຫຼຸດຜ່ອນການສື່ສານທົ່ວໄປ, ເພື່ອຮັບປະກັນຄວາມປອດໄພທີ່ດີກວ່າ ການຜະລິດ algoritms ການຝຶກອົບຮົມ multi-task ມີພຽງແຕ່ສ່ວນຫນຶ່ງຂອງຄໍາຮ້ອງສະຫມັກຂອງພວກເຂົາໄດ້ຝຶກອົບຮົມໃນວິທີການ federated. 1 9 12 2 15 56 10 ລະບົບການເຊື່ອມຕໍ່ທີ່ສາມາດສະຫນັບສະຫນູນການຝຶກອົບຮົມທີ່ແຕກຕ່າງກັນສາມາດຕັດສິນໃຈພະລັງງານການຄອມພິວເຕີ (data ແລະ server) ຈາກການຝຶກອົບຮົມ ໃນຖານະເປັນເອກະສານຂອງ Fig. ທີ່ຜ່ານມາ defines trajectory of a model across several partners, ທີ່ຈະໄດ້ຮັບການຝຶກອົບຮົມແລະ evaluated on specific data sets. ຊື່ຫຍໍ້ຂອງ : Computer Plan 2 ຄໍາຮ້ອງສະຫມັກແລະການທົບທວນຄືນ Despite the advantages of FL, it does not solve all issues that are inherent to learning on medical data. A successful model training still depends on factors like data quality, bias and standardisation . These issues have to be solved for both federated and non-federated learning efforts via appropriate measures, such as careful study design, common protocols for data acquisition, structured reporting and sophisticated methodologies for discovering bias and hidden stratification. In the following, we touch upon the key aspects of FL that are of particular relevance when applied to digital health and need to be taken into account when establishing FL. For technical details and in-depth discussion, we refer the reader to recent surveys , , . 2 11 12 20 ຂໍ້ມູນ heterogeneity ການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢືນການຢັ້ງຢືນການຢັ້ງຢືນການຢືນການຢັ້ງຢືນການຢັ້ງຢ ພວກເຮົາມີຄວາມຄາດຄະເນດິນດີຕ້ອນຮັບໃນສະຖານທີ່ນີ້ , , ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈຂອງຂ້າພະເຈົ້າ, ຂ້າພະເຈົ້າຫວັງວ່າຈະໄດ້ເຮັດວຽກຮ່ວມກັບຂ້າພະເຈົ້າ. , ເຊັ່ນດຽວກັນກັບຂໍ້ມູນດ້ານວິຊາການທີ່ບໍ່ຖືກຈັດຂຶ້ນຢ່າງເປັນປະໂຫຍດໃນໄລຍະອົງການຈັດຕັ້ງ , ຫຼືປະກອບມີ bias Local ການຄົ້ນຄວ້າທີ່ປິ່ນປົວຄວາມປອດໄພນີ້ປະກອບມີ, ໂດຍສະເພາະ, ອັດຕະໂນມັດ Data Sharing Strategy ແລະ FL ກັບ Domain-Adaptation ການສອບເສັງອື່ນໆແມ່ນວ່າ heterogeneity data ສາມາດສ້າງຕັ້ງຂຶ້ນໃນສະຖານທີ່ທີ່ທີ່ການແກ້ໄຂທີ່ດີທີ່ສຸດໃນທົ່ວໂລກບໍ່ສາມາດເປັນທີ່ດີທີ່ສຸດສໍາລັບຜູ້ຊ່ຽວຊານໃນທົ່ວໂລກ. ການສອບເສັງການຝຶກອົບຮົມແບບທີ່ດີທີ່ສຸດແມ່ນ, ດັ່ງນັ້ນ, ຈະໄດ້ຮັບການສອບເສັງໂດຍຜູ້ຊ່ຽວຊານທັງຫມົດທີ່ຜ່ານມາການຝຶກອົບຮົມ. ພາສາລາວ 9 9 57 58 59 16 17 51 ລະຫັດ QR 57 58 18 ຄວາມປອດໄພແລະຄວາມປອດໄພ ຂໍ້ມູນການຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງຄຸ້ມຄອງ ຄວາມປອດໄພ vs ຄວາມປອດໄພ: ມັນເປັນສິ່ງທີ່ສໍາຄັນທີ່ຈະຊອກຫາວ່າ FL ບໍ່ປິ່ນປົວຄວາມປອດໄພທັງ ຫມົດ ແລະ - ເຊັ່ນດຽວກັນກັບ ML algorithms ໃນທົ່ວໄປ - ຈະມີປະສິດທິພາບໃດໆ. ຄວາມປອດໄພການປົກປ້ອງເຕັກໂນໂລຊີສໍາລັບ FL ສະຫນັບສະຫນູນລະດັບຄວາມປອດໄພທີ່ຍິ່ງໃຫຍ່ຫຼາຍກ່ວາມາດຕະຖານ ML ທີ່ມີຢູ່ໃນທຸລະກິດໃນມື້ນີ້ ຢ່າງໃດກໍຕາມ, there is a compromise in terms of performance and these techniques may affect, for example, the accuracy of the final model ນອກເຫນືອໄປຈາກນີ້, ເຕັກໂນໂລຊີແລະ / ຫຼືຂໍ້ມູນທີ່ກ່ຽວຂ້ອງໃນປັດຈຸບັນສາມາດຖືກນໍາໃຊ້ເພື່ອປິ່ນປົວຮູບແບບທີ່ໄດ້ຮັບການຄາດວ່າມີປະສິດທິພາບຕ່ໍາ. 12 10 ປະເພດຂອງການເຊື່ອມຕໍ່: ໂດຍທົ່ວໄປ, ຜູ້ຊ່ຽວຊານສາມາດເຂົ້າໄປໃນສອງປະເພດຂອງການຮ່ວມມື FL: —ສໍາລັບ FL consortia ໃນທີ່ທຸກຄົນຖືກຄາດວ່າມີຄຸນນະສົມບັດແລະບໍ່ມີຄຸນນະສົມບັດໂດຍໃບຢັ້ງຢືນການຮ່ວມມື, ພວກເຮົາມີຄວາມສາມາດໃນການຕັດສິນໃຈຫຼາຍທີ່ສຸດ, ເຊັ່ນດຽວກັນກັບການຊອກຫາຂໍ້ມູນທີ່ບໍ່ມີຄຸນນະສົມບັດຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນ. ການເຊື່ອມຕໍ່ —ໃນລະບົບ FL ທີ່ເຮັດວຽກໃນລະດັບຂະຫນາດໃຫຍ່, ມັນອາດຈະບໍ່ສາມາດປະຕິບັດເພື່ອສ້າງອະນຸຍາດການຮ່ວມມືທີ່ສາມາດດໍາເນີນການ. ລູກຄ້າบางຄົນສາມາດທົດສອບເພື່ອປັບປຸງຜົນປະໂຫຍດ, ດໍາ ເນີນລະບົບຫຼືຊອກຫາຂໍ້ມູນຈາກຜູ້ອື່ນໆ. ດັ່ງນັ້ນ, ການປັບປຸງປະສິດທິພາບການປັບປຸງຄວາມປອດໄພຈະຖືກຕ້ອງເພື່ອປັບປຸງປະສິດທິພາບນີ້ເຊັ່ນ: ການເຂົ້າລະຫັດແບບທີ່ດີເລີດ, ການຢັ້ງຢືນທີ່ປອດໄພຂອງທຸກຄົນ, ຄວາມປອດໄພຂອງການເຮັດວຽກ, ຄວາມປອດໄພທີ່ແຕກຕ່າງກັນ, ລະບົບການຢັ້ງຢືນ, ຄວາມປອດໄພຂອງການປະຕິບັດ, ຄວາມປອດໄພຂອງຮູບແບບແລະການປົກປອດໄພກັບການປອດໄພຂອງຜູ້ຕ້ານ. ການເຊື່ອມຕໍ່ ລະບົບການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ of the model updates, the gradients themselves ປະເພດ Attack , FL ແມ່ນແຕກຕ່າງກັນຈາກການຝຶກອົບຮົມປົກກະຕິໃນຂະນະທີ່ການຝຶກອົບຮົມແມ່ນອະນຸຍາດໃຫ້ຫຼາຍກ່ວາສະມາຊິກ, ໂດຍສະເພາະແມ່ນການປັບປຸງຄວາມເປັນຈິງຂອງຄວາມເປັນຈິງໂດຍຜ່ານການວິສະວະກອນ reverse if opponents can observe model changes over time, observe specific model updates (i.e., update of a single institution), or manipulate the model (e.g., induce additional memorization by others through gradient-ascent-style attacks). , ແລະຮັບປະກັນຄວາມເປັນສ່ວນບຸກຄົນທີ່ແຕກຕ່າງກັນ , ສາມາດຖືກຕ້ອງແລະຍັງເປັນພື້ນຖານການຄົ້ນຄວ້າທີ່ເຮັດວຽກ . 60 61 62 63 16 18 44 12 traceability ແລະການຮັບປະກັນ ໃນຖານະເປັນບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ບໍລິສັດທີ່ໃຫ້ການຝ ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍໃຊ້ການຝຶກອົບຮົມຂອງພວກເຮົາສໍາລັບການຝຶກອົບຮົມຂອງພວກເຮົາ! ຂໍຂອບໃຈຫຼາຍດັ່ງນັ້ນສໍາລັບການຝຶກອົບຮົມຂອງທ່ານ! 64 ລະບົບ Architecture ບໍ່ວ່າຈະເປັນການເຮັດວຽກ FL ຂະຫນາດໃຫຍ່ໃນລະຫວ່າງອຸປະກອນຜູ້ໃຊ້ເຊັ່ນ McMahan ແລະອື່ນໆ. ພວກເຮົາມີຄວາມຊ່ຽວຊານໃນການຄອມພິວເຕີທີ່ມີຄຸນນະພາບສູງແລະຄຸນນະພາບສູງໃນການຄອມພິວເຕີທີ່ມີຄຸນນະພາບສູງໃນການຄອມພິວເຕີທີ່ມີຄຸນນະພາບສູງແລະຄຸນນະພາບສູງໃນການຄອມພິວເຕີທີ່ມີຄຸນນະພາບສູງແລະຄຸນນະພາບສູງໃນການຄອມພິວເຕີທີ່ມີຄຸນນະພາບສູງແລະຄຸນນະພາບສູງໃນການຄອມພິວເຕີທີ່ມີຄຸນນະພາບສູງ. 9 ການບໍລິຫານຂອງການຂົນສົ່ງເຫຼົ່ານີ້ສາມາດໄດ້ຮັບການນໍາໃຊ້ໃນວິທີທີ່ແຕກຕ່າງກັນ. ໃນສະຖານະການທີ່ຕ້ອງການຄວາມປອດໄພຂອງຂໍ້ມູນທີ່ເຂັ້ມແຂງທີ່ສຸດລະຫວ່າງພາກສ່ວນ, ການຝຶກອົບຮົມສາມາດເຮັດວຽກໂດຍຜ່ານລະບົບ "ຈຸດທະສາດ" ປະເພດໃດຫນຶ່ງ, ໃນຂະນະທີ່ບໍລິສັດທີ່ບໍ່ສາມາດຮັບປະກັນເປັນຜູ້ສະຫນັບສະຫນູນແລະເຮັດໃຫ້ການເຂົ້າເຖິງຂໍ້ມູນທີ່ດີກວ່າ. ການຕິດຕັ້ງນີ້ຈໍາເປັນຕ້ອງມີການຄວບຄຸມລະບົບທົ່ວໄປທີ່ບໍ່ພຽງແຕ່ສາມາດໄດ້ຮັບຄວາມຕ້ອງການ, ເນື່ອງຈາກວ່າມັນສາມາດປະກອບມີຄ່າໃຊ້ຈ່າຍເພີ່ມເຕີມແລະ viscosity ລະບົບ. ຢ່າງໃດກໍຕາມ, ມັນມີປະສິດທິພາບທີ່ສະຖຽນລະພາບພາຍໃນຈຸດທະສາດທີ່ຖືກນໍາໃຊ້ສາມາດໄດ້ຮັບການກວດສອບຈາກລູກຄ້າ, ເຮັດໃຫ້ລະບົບຄວາມປອດໄພແລະ ພາສາລາວ ML, ແລະລວມທັງ DL, ໄດ້ສ້າງຕັ້ງຂຶ້ນໃນພາກສະຫນາມຂອງການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງການປິ່ນປົວທາງການປິ່ນປົວທາງດ້ານການປິ່ນປົວທາງດ້ານການ ຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການຢັ້ງຢືນຢືນຢັ້ງຢືນຢັ້ງຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢັ້ງຢືນຢັ້ງຢືນຢັ້ງຢືນຢັ້ງຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢັ້ງຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢືນຢັ້ງຢືນຢືນຢືນຢັ້ງຢືນຢືນຢັ້ງຢືນຢືນຢືນຢືນຢັ້ງຢືນຢືນຢ 12 ການທົບທວນຄືນ ຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການອອກແບບການຄົ້ນຄວ້າແມ່ນມີຢູ່ໃນ ການເຊື່ອມຕໍ່ກັບບົດຄວາມນີ້. ຄວາມຄິດເຫັນທີ່ Nature Research Reporting ລະຫັດ QR 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 ການຮັບຮອງ ການເຮັດວຽກນີ້ໄດ້ສະຫນັບສະຫນູນໂດຍ UK Research and Innovation London Medical Imaging & Artificial Intelligence Centre for Value-Based Healthcare, ໂດຍ Wellcome / EPSRC Center for Medical Engineering (WT203148/Z/16/Z), ໂດຍ Wellcome Flagship Programme (WT213038/Z/18/Z), ໂດຍ Intramural Research Programme of the National Institutes of Health (NIH) Clinical Center, ໂດຍ National Cancer Institute of the NIH under award number U01CA242871, ໂດຍ National Institute of Neurological Disorders and Stroke of the NIH under award number R01NS042645, ເຊັ່ນດຽວກັນກັບ Helmholtz Initiative and Networking Fund (Project “Trustworthy Federated Data Analytics”) ແລະ PRIME Program of the German Academic Exchange Service (DAAD) ມີເງິນຈາກລັດເຊຍ Federal Ministry ບົດຄວາມນີ້ແມ່ນມີຢູ່ໃນອຸນຫະພູມໂດຍໃບອະນຸຍາດ CC by 4.0 Deed (Attribution 4.0 International). ບົດຄວາມນີ້ແມ່ນມີຢູ່ໃນອຸນຫະພູມໂດຍໃບອະນຸຍາດ CC by 4.0 Deed (Attribution 4.0 International).
