Tim istraživača sa KAUST-a napravio je značajan korak u rješavanju izazova integracije umjetne inteligencije (AI) s genomskim podacima osiguravajući pritom privatnost pojedinaca. Korištenjem ansambla algoritama zaštite privatnosti, tim je razvio pristup strojnom učenju koji optimizira performanse modela bez ugrožavanja privatnosti.
Tradicionalna metoda šifriranja podataka radi zaštite privatnosti stvara izazove u obradi jer je potrebno dešifriranje podataka za obuku. Ovaj pristup također ne eliminira zadržavanje privatnih informacija u obučenom modelu. S druge strane, podjela podataka na manje pakete za obuku korištenjem lokalne obuke ili federiranog učenja predstavlja rizik od otkrivanja privatnih informacija.
Za prevladavanje ovih ograničenja, istraživački tim uključio je decentralizirani algoritam premeštanja u svoj pristup strojnom učenju s zaštitom privatnosti. Dodavanjem premeštanja unutar okvira diferencijalne privatnosti, postigli su bolje performanse modela uz očuvanje iste razine zaštite privatnosti. Ovaj decentralizirani pristup eliminirao je pitanja povjerenja povezana s centraliziranim premeštačem trećih strana i postigao ravnotežu između očuvanja privatnosti i sposobnosti modela.
Pristup tima, poznat kao PPML-Omics, pokazao je svoju učinkovitost u obuci reprezentativnih modela dubokog učenja za izazovne multi-omike zadatke. PPML-Omics ne samo da je nadmašio druge metode učinkovitosti, već se i pokazao otporan protiv najnovijih kibernetičkih napada.
Ovo istraživanje ističe rastuću važnost zaštite privatnosti u području dubokog učenja, pogotovo kada se primjenjuje na analizu bioloških i biomedicinskih podataka. Sposobnost dubokih modela učenja zadržavanja privatnih informacija iz podataka za obuku nosi značajne rizike po privatnost. Stoga je ključno kombinirati algoritme zaštite privatnosti s tehnikama strojnog učenja za napredovanje medicinskih istraživanja uz čuvanje privatnosti pojedinaca.
Postizanjem ravnoteže između privatnosti i performansi modela, pristup PPML-Omics otvara nove mogućnosti za ubrzanje otkrića iz genomskih podataka. Omogućava istraživačima da iskoriste snagu AI za medicinska istraživanja bez ugrožavanja privatnosti pojedinaca.
The source of the article is from the blog agogs.sk