MuCALD-SplitFed: Jobb orvosi képalkotás és adatvédelem a szegmentálásban
A hagyományos elosztott tanulási módszerek gyakran instabilak és sérülékenyek az orvosi képalkotásban, de az új MuCALD-SplitFed rendszer stabilabb és adatvédelmi szempontból is biztonságosabb megoldást kínál.
A decentralizált orvosi intézmények ritkán dolgoznak egyetlen közös feladaton, ami megnehezíti a szabványos elosztott tanulási módszerek alkalmazását. Ezt a problémát orvosolja a MuCALD-SplitFed, egy új több feladatos Split Federated Learning keretrendszer, amely integrálja az ok-okozati reprezentáció tanulást és a látens diffúziót — írja az arXiv-on közzétett tanulmány.
A Federated Learning lehetővé teszi a decentralizált betanítást azáltal, hogy a kliensek modellfrissítéseit aggregálja anélkül, hogy nyers adatokat osztana meg. A Split Federated Learning tovább osztja a modellt a kliensek és egy szerver között, csökkentve a kliensoldali számítási és kommunikációs terhelést.
Azonban a több feladatos forgatókönyvek gyakran instabilitást és adatvédelmi sebezhetőségeket vezetnek be. A kutatók kísérletei szerint a MuCALD-SplitFed következetesen javítja a szegmentálást az orvosi képalkotásban, míg az alap SplitFed több feladat esetén nem konvergál.
A javasolt megközelítés ráadásul tovább csökkenti az információszivárgást a felosztási pontokon, ezzel mérsékelve a rekonstrukciós támadások kockázatát. Az új rendszer tehát nemcsak hatékonyabb, de biztonságosabb is az érzékeny orvosi adatok kezelésében.
A MuCALD-SplitFed a 2605.04108v1 azonosító alatt érhető el az arXiv előnyomtatott gyűjteményében.