تقدم الدراسة إطار PPFBXAIO، الذي يدمج التعلم الفيدرالي، وتكنولوجيا البلوكشين، والذكاء الاصطناعي القابل للتفسير لمعالجة التحديات الكبيرة في أنظمة التعلم الآلي اللامركزية، لا سيما في قطاع الرعاية الصحية. باستخدام تقنيات مثل LGOA لاختيار الميزات، وتطبيع Min-Max، وتشفير SHA-256، والعقود الذكية لتجميع النماذج، يضمن الإطار خصوصية البيانات، وشفافية النموذج، والقدرة على مقاومة هجمات التسميم. أظهرت التقييمات…

تستكشف هذه الورقة البحثية دمج التعلم الفيدرالي (FL) والخصوصية التفاضلية (DP) لتعزيز الخصوصية في الكشف عن سرطان الثدي أثناء معالجة المعلومات الصحية الحساسة. من خلال الاستفادة من الإطار اللامركزي لـ FL، يمكّن هذا البحث التدريب التعاوني للنماذج بين منظمات الرعاية الصحية دون الكشف عن بيانات المرضى الخام. إن دمج DP يقدم ضوضاء إحصائية في تحديثات…

تتناول هذه الدراسة التحدي الحاسم لضمان خصوصية البيانات في تصنيف الصور الطبية، لا سيما في سياق التشخيص المدعوم بالذكاء الاصطناعي، حيث واجه أكثر من 30% من منظمات الرعاية الصحية خروقات للبيانات. تستكشف الدراسة دمج التعلم الانتقالي والتعلم الفيدرالي لتطوير إطار عمل يحافظ على الخصوصية لتصنيف الصور الطبية، باستخدام GoogLeNet و VGG16 كنماذج أساسية. أظهرت هذه…