KAUST’tan bir araştırma ekibi, yapay zeka (AI) ile genomik verileri entegre etme zorluğunu ele alarak bireylerin gizliliğini sağlama konusunda önemli adımlar atmıştır. Gizliliği koruma algoritmalarının bir araya getirilmesiyle, ekip, gizliliği tehlikeye atmadan model performansını en üst düzeye çıkaran bir makine öğrenme yaklaşımı geliştirmiştir.
Gizliliği korumak için verileri şifrelemenin geleneksel yöntemi, verinin eğitim için deşifre edilmesi gerektiğinden hesaplama zorlukları doğurur. Bu yaklaşım ayrıca eğitimde gizli bilgilerin modelde saklı kalmasını ortadan kaldırmaz. Öte yandan, veriyi yerel eğitim veya federatif öğrenme kullanarak eğitmek için daha küçük parçalara bölmek, gizli bilgilerin sızma riskini beraberinde getirir.
Bu sınırlamaları aşmak için araştırma ekibi gizliliği koruyan makine öğrenme yaklaşımlarına merkezi olmayan bir karıştırıcı algoritma entegre etti. Diferansiyel gizlilik çerçevesi içinde bir karıştırıcı ekleyerek, aynı gizlilik koruma seviyesini korurken daha iyi model performansı elde ettiler. Bu merkezi olmayan yaklaşım, merkezi üçüncü taraf bir karıştırıcıyla ilişkilendirilen güven sorunlarını ortadan kaldırdı ve gizlilik koruma ile model kapasitesi arasında denge sağladı.
Ekip tarafından geliştirilen PPML-Omics yaklaşımı, zorlu çok-omi görevleri için temsilci derin öğrenme modellerini eğitmekte etkililiğini kanıtladı. PPML-Omics, sadece verimlilik açısından diğer yöntemleri aşmakla kalmadı, aynı zamanda güncel siber saldırılara karşı dayanıklı olduğunu da kanıtladı.
Bu araştırma, özellikle biyolojik ve biyomedikal verilerin analizine uygulandığında derin öğrenme alanında gizliliğin korunmasının giderek artan önemini vurgulamaktadır. Derin öğrenme modellerinin eğitim verilerinden özel bilgileri saklama yeteneği önemli gizlilik riskleri oluşturur. Bu nedenle, gizliliği koruyan algoritmaları makine öğrenme teknikleriyle birleştirerek tıbbi araştırmayı ilerletmek ve bireylerin gizliliğini korumak son derece önemlidir.
Gizlilik ve model performansı arasında bir denge kurarak, PPML-Omics yaklaşımı genomik verilerinden keşif yapma olasılıklarını artırarak yeni olanaklar sunmaktadır. Araştırmacılara bireylerin gizliliğini tehlikeye atmadan tıbbi araştırmalar için yapay zekanın gücünden yararlanma imkanı sağlar.
The source of the article is from the blog newyorkpostgazette.com