ИИ-обучение с сохранением приватности: новый прорыв

Исследователи разработали инновационную методику однократного федеративного обучения (one-shot federated learning) на базе искусственного интеллекта. Эта технология позволяет эффективно обучать масштабные модели, полностью исключая передачу персональных данных. Результаты исследования имеют огромное значение, демонстрируя возможность одновременного обеспечения конфиденциальности, высокой скорости обучения и превосходной производительности моделей, что особенно важно для анализа медицинских изображений.

Проблема конфиденциальности медицинских данных, содержащих чувствительную информацию о пациентах, создает серьезные препятствия для формирования больших и репрезентативных наборов данных, необходимых для обучения ИИ. Федеративное обучение (FL) предлагает решение, позволяя обучать модели совместно, обмениваясь не сырыми данными, а уже обученными моделями. Однако частые передачи моделей приводят к значительным временным и финансовым затратам. Однократное федеративное обучение (one-shot FL) рассматривалось как альтернатива, но существующие методы страдали от высоких вычислительных затрат и склонности к переобучению.

Команда под руководством профессора Санг-хён Парка предложила новый подход. Он включает добавление структурного шума к синтетическим изображениям и применение техники mix-up для генерации виртуальных промежуточных выборок. Этот метод увеличивает разнообразие обучающих данных, снижая риск переобучения, и, за счет повторного использования синтетических изображений, устраняет избыточные вычисления. В результате достигается значительное повышение вычислительной эффективности.

Разработанная методика была успешно протестирована на различных наборах медицинских изображений, включая рентгеновские снимки, патологические и дерматоскопические изображения, а также снимки глазного дна. Результаты показали, что предложенный подход превосходит существующие методы однократного FL по точности при меньших вычислительных затратах.

Профессор Парк отметил: "Это исследование доказывает, что даже при наличии таких реалистичных ограничений, как необходимость защиты конфиденциальности и ограничения в передаче данных, возможно обучение широко применимых моделей в области медицинской визуализации. Мы продолжим совершенствовать эту технологию для создания ИИ-моделей, охватывающих разнообразные группы пациентов и гарантирующих их конфиденциальность, что будет способствовать развитию точных и надежных систем поддержки диагностики".