Απεικόνιση της ροής εργασίας εκπαίδευσης και δοκιμής του ομοσπονδιακού μοντέλου τεχνητής νοημοσύνης, όπου η ομάδα δοκιμής απεικονίζεται με πράσινο χρώμα.
Pezoulas VC, Goules A, Kalatzis F, Chatzis L, Kourou KD, Venetsanopoulou A, Exarchos TP, Gandolfo S, Votis K, Zampeli E, Burmeister J, May T, Marcelino Pérez M, Lishchuk I, Chondrogiannis T, Andronikou V, Varvarigou T, Filipovic N, Tsiknakis M, Baldini C, Bombardieri M, Bootsma H, Bowman SJ, Soyfoo MS, Parisis D, Delporte C, Devauchelle-Pensec V, Pers JO, Dörner T, Bartoloni E, Gerli R, Giacomelli R, Jonsson R, Ng WF, Priori R, Ramos-Casals M, Sivils K, Skopouli F, Torsten W, A G van Roon J, Xavier M, De Vita S, Tzioufas AG, Fotiadis DI. Addressing the clinical unmet needs in primary Sjögren’s Syndrome through the sharing, harmonization and federated analysis of 21 European cohorts. Comput Struct Biotechnol J. 2022 Jan 7;20:471-484. doi: 10.1016/j.csbj.2022.01.002. PMID: 35070169; PMCID: PMC8760551.
Ομοσπονδιακή μάθηση
PRECIOUS: το προηγμένο ομοσπονδιακό πλαίσιο ανάπτυξης μοντέλων τεχνητής νοημοσύνης. Το PRECIOUS παρέχει ένα μοναδικό ομοσπονδιακό πλαίσιο ανάπτυξης μοντέλων ΤΝ, το οποίο χρησιμοποιεί σταδιακή μάθηση για τη δημιουργία αξιόπιστων μοντέλων ΑΙ σε δεδομένα που είναι αποθηκευμένα σε ιδιωτικές βάσεις δεδομένων σε περιβάλλον cloud. Για τον σκοπό αυτό, χρησιμοποιούμε έναν κεντρικό κόμβο για την ενορχήστρωση της εκπαίδευσης προηγμένων ομοσπονδιακών αλγορίθμων ΤΝ σε πολλαπλούς κόμβους (δηλ. βάσεις δεδομένων cloud). Τα δεδομένα των ασθενών αποθηκεύονται σε ασφαλείς ιδιωτικές βάσεις δεδομένων νέφους. Ο κεντρικός κόμβος χρησιμοποιεί τη φάση ανάπτυξης του ομοσπονδιακού μοντέλου ΤΝ, όπου ένας ομοσπονδιακός αλγόριθμος μάθησης εκπαιδεύεται πρώτα σε μια ιδιωτική βάση δεδομένων νέφους, ας πούμε την Α, και στη συνέχεια τα βάρη του μοντέλου ενημερώνονται σταδιακά στις υπόλοιπες ιδιωτικές βάσεις δεδομένων. Στο πλαίσιο του συνολικού πλαισίου ανάπτυξης ομοσπονδιακού μοντέλου ΑΙ παρέχονται επίσης λειτουργίες χειρισμού ανισορροπίας τάξεων και μέθοδοι επεξηγηματικότητας.
