KAUST-tutkimusryhmä on edistynyt merkittävästi ratkaistessaan haasteen, joka liittyy tekoälyn (AI) integroimiseen genomidataan samalla varmistaen yksilöiden yksityisyyden. Hyödyntämällä joukko yksityisyyttä suojaavia algoritmeja, tiimi on kehittänyt koneoppimislähestymistavan, joka optimoi mallin suorituskyvyn tinkimättä yksityisyydestä.
Perinteinen menetelmä datan salakirjoittamiseksi yksityisyyden suojelemiseksi aiheuttaa laskentahaasteita, koska data on salattava koulutusta varten. Tämä lähestymistapa ei myöskään poista yksityisten tietojen säilyttämistä koulutetussa mallissa. Toisaalta datan jakaminen pienempiin paketteihin koulutusta varten paikalliskoulutuksena tai liittoitettuna oppimisena lisää riskin yksityisten tietojen vuotamisesta.
Nämä rajoitukset voitettiin, kun tutkimusryhmä sisällytti hajautetun sekoitusalgoritmin yksityisyyttä suojaavaan koneoppimislähestymistapaansa. Lisäämällä sekoittaja differentiaalisen yksityisyyden kehykseen he saavuttivat paremman mallin suorituskyvyn säilyttäen samalla yksityisyydensuojan tason. Tämä hajautettu lähestymistapa poisti luottamuskysymykset, joita liittyi keskitetyn kolmannen osapuolen sekoittajaan, ja loi tasapainon yksityisyydensuojan ja mallin suorituskyvyn välillä.
Tiimin lähestymistapaa, nimeltään PPML-Omics, testattiin ja se osoitti tehokkuutensa edustavien syvällisten oppimismallien koulutuksessa vaativissa moni-omiikkatehtävissä. PPML-Omics ei ainoastaan ylittänyt muita menetelmiä tehokkuuden suhteen, vaan osoitti myös kestävyytensä viimeisimpiä kyberhyökkäyksiä vastaan.
Tämä tutkimus korostaa yksityisyydensuojan kasvavaa merkitystä syväoppimisen alalla, erityisesti sen soveltamisessa biologisen ja lääketieteellisen datan analysointiin. Syväoppimismallien kyky säilyttää yksityistietoja koulutusdatassa luo merkittäviä yksityisyyden riskejä. Siksi yksityisyyttä suojaavien algoritmien yhdistäminen koneoppimistekniikoihin on elintärkeää lääketieteellisen tutkimuksen edistämisessä samalla yksilöiden yksityisyyttä suojellen.
PPML-Omics-lähestymistava tasapainoilee yksityisyyden ja mallin suorituskyvyn välillä ja avaa uusia mahdollisuuksia genomidatan löytämisen nopeuttamiseen. Se antaa tutkijoille mahdollisuuden hyödyntää tekoälyn voimaa lääketieteellisessä tutkimuksessa tinkimättä yksilöiden yksityisyydestä.
The source of the article is from the blog enp.gr