Federe öğrenme ile derin sinir ağlarının güvenli eğitimi: Tıbbi görüntülemede gizliliği koruma uygulaması

Federe öğrenme, tıbbi uygulamalarda derin sinir ağlarının güvenli bir şekilde eğitilmesini sağlamak için önemli bir çözüm olarak öne çıkmakta ve hasta verilerinin hassas doğasıyla ilgili zorlukları etkili bir şekilde yönetmektedir. Öncelikli olarak gizliliğe odaklanan bu metodoloji, gizli bilgilerin merkezileştirilmesinden kaçınarak merkezi olmayan cihazlarda model eğitimini kolaylaştırır. Ham veriler yerine yalnızca model güncellemelerini ileterek, federe öğrenme yalnızca güvenlik önlemlerini artırmakla kalmaz, aynı zamanda düzenlemelere ve standartlara uygunluğu da sağlar. Bu tez, BloodMNIST, OrganAMNIST ve PathMNIST veri kümelerini kullanarak dinamik ve heterojen tıbbi veri kümelerinde uyarlanabilirliğini değerlendirmek için deneyler kullanarak, federe öğrenme üzerine kapsamlı bir çalışma yürütmektedir. Heterojen olmayan bir veri dağıtım yaklaşımı benimseyerek ve yerel model güncelleme toplaması için sunucu tarafında FedAvg algoritmasını kullanarak, üç geleneksel modeli (her veri kümesi için bir tane) ve veri heterojenlik oranlarına ve kullanıcı boyutlarına (küçük, orta ve büyük ölçekli işbirlikleri) göre değişen 18 federe modelini eğittik. Sonuçlar, federe modellerin geleneksel modellere kıyasla daha iyi performans gösterdiğini ortaya koyarak federe öğrenmenin tıbbi bağlamlardaki etkinliğini göstermektedir.