Μια ομάδα ερευνητών από το KAUST έχει κάνει σημαντικά βήματα στην αντιμετώπιση της πρόκλησης της ενσωμάτωσης της τεχνητής νοημοσύνης (ΝΝ) με γενομικά δεδομένα ενώ εξασφαλίζει την ιδιωτικότητα των ατόμων. Χρησιμοποιώντας ένα σύνολο αλγορίθμων που προστατεύουν την ιδιωτικότητα, η ομάδα ανέπτυξε μια προσέγγιση μάθησης μηχανής που βελτιστοποιεί την απόδοση του μοντέλου χωρίς να θέτει σε κίνδυνο την ιδιωτικότητα.
Η παραδοσιακή μέθοδος κρυπτογράφησης των δεδομένων για την προστασία της ιδιωτικότητας δημιουργεί υπολογιστικές προκλήσεις, καθώς τα δεδομένα πρέπει να αποκρυπτογραφηθούν για εκπαίδευση. Αυτή η προσέγγιση αποτυγχάνει επίσης να εξαλείψει τη διατήρηση προσωπικών πληροφοριών στο εκπαιδευμένο μοντέλο. Αντίθετα, η διάσπαση των δεδομένων σε μικρότερα πακέτα για εκπαίδευση χρησιμοποιώντας τοπική εκπαίδευση ή εκμάθηση φέρει τον κίνδυνο διαρροής προσωπικών πληροφοριών.
Για να ξεπεράσουν αυτά τα περιορισμένα, η ομάδα ερευνητών ενσωμάτωσε έναν αλγόριθμο αποκεντρωμένου αναδειγμάτωσης στην προσέγγισή τους για τη μηχανική μάθηση που προστατεύει την ιδιωτικότητα. Με την προσθήκη ενός αναδεικτικού μέσα στο πλαίσιο διαφορικής ιδιωτικότητας, επιτύχαν καλύτερη απόδοση μοντέλου διατηρώντας το ίδιο επίπεδο προστασίας της ιδιωτικότητας. Αυτή η αποκεντρωμένη προσέγγιση εξάλειψε τα ζητήματα εμπιστοσύνης που σχετίζονται με έναν κεντρικό αναδεικτικό τρίτο μέρος και διατήρησε μια ισορροπία μεταξύ προστασίας της ιδιωτικότητας και δυνατότητας του μοντέλου.
Η προσέγγιση της ομάδας, γνωστή ως PPML-Omics, έδειξε την αποτελεσματικότητά της στην εκπαίδευση εκπροσώπων βαθιών μοντέλων μάθησης για προκλητικές πολυ-ομοιώματες εργασίες. Το PPML-Omics όχι μόνο υπερτερεί σε αποδοτικότητα έναντι άλλων μεθόδων, αλλά αντίστεκται και σε κυβερνοεπιθέσεις από το κατώτερο και μέχρι της στιγμής.
Αυτή η έρευνα υπογραμμίζει την αυξανόμενη σημασία της προστασίας της ιδιωτικής ζωής στον τομέα της βαθιάς μάθησης, ιδιαίτερα όταν εφαρμόζεται στην ανάλυση βιολογικών και βιοϊατρικών δεδομένων. Η ικανότητα των μοντέλων βαθιάς μάθησης να διατηρούν προσωπικές πληροφορίες από τα δεδομένα εκπαίδευσης θέτει σημαντικούς κινδύνους για την ιδιωτικότητα. Συνεπώς, η συνδυασμός αλγορίθμων που προστατεύουν την ιδιωτικότητα με τεχνικές μάθησης μηχανής είναι κρίσιμος για την προώθηση της ιατρικής έρευνας διαφυλάσσοντας την ατομική ιδιωτικότητα.
Με τον εντοπισμό μιας ισορροπίας μεταξύ ιδιωτικότητας και απόδοσης μοντέλου, η προσέγγιση PPML-Omics ανοίγει νέες δυνατότητες για την επιτάχυνση της ανακάλυψης από γενομικά δεδομένα. Επιτρέπει στους ερευνητές να αξιοποιήσουν τη δύναμη της τεχνητής νοημοσύνης για την ιατρική έρευνα χωρίς να θέτουν σε κίνδυνο την ιδιωτικότητα των ατόμων.
The source of the article is from the blog newyorkpostgazette.com