Aim: Today, data banks contain unpredictable data. Together with the advances in data science, large data offer the potential to better understand the causes of diseases. This potential results from the processing, analysis or modeling of machine learning algorithms. Various data sets stored in different institutions are not always shared directly due to privacy and legal concerns. This problem limits the full use of large data in health research. Federated learning is aimed at developing artificial intelligence systems based on both high accuracy and data privacy. Materials and Methods: In this study, a federated learning approach was proposed in order to access any data and develop machine learning applications without sharing personal information within the scope of data privacy. Firstly, the structure of the Federated learner has been studied. It was then determined how federated learning should be used in machine learning models in different health applications. Results: In federated learning, the model is trained on local computers and its updates are transferred to a central server. The updated model is then transferred to local models. In this way, the central model is trained without seeing the data. Conclusion: It is necessary to make machine learning models in which confidentiality is applied with data obtained from health. For this, federated learning must be integrated into traditional machine learning applications. Thus, high performance is envisaged to be achieved with big data where data confidentiality is adopted.
Amaç: Günümüzde veri bankalarını tahmin edilmeyecek büyüklükte veriler içermektedir. Veri bilimindeki gelişmelerle birlikte büyük veriler hastalıklarının oluşum sebeplerini daha iyi anlama potansiyeli sunmaktadır. Bu potansiyel verilerin işlenmesi, analiz edilmesi veya makine öğrenmesi algoritmaları ile modellenmesi sonucunda ortaya çıkmaktadır. Farklı kurumlarda depolanan çeşitli veri kümeleri gizlilik ve yasal kaygılar nedeniyle her zaman doğrudan paylaşılmamaktadır. Bu sorunda sağlık araştırmalarında büyük verilerin tam olarak kullanılmasını sınırlamaktadır. Federe öğrenme hem yüksek doğruluk hem de veri mahremiyetine göre yapay zekâ sistemlerinin geliştirilmesi amaçlanmaktadır. Materyal ve Metot: Bu çalışmada veri mahremiyeti kapsamında kişisel bilgiler paylaşılmadan, herhangibi bir veriye erişmek ve makine öğrenmesi uygulamaları geliştirebilmek için federe öğrenme yöntemi önerilmiştir. Öncelikle federe öğrenmeni yapısı incelenmiştir. Daha sonra federe öğrenmesin farklı sağlık uygulamalarındaki makine öğrenmesi modellerine nasıl kullanılması gerektiği belirlenmiştir. Bulgular: Federe öğrenmede model, yerel bilgisayarlarda eğitilerek merkezi bir sunucuya güncellemeleri aktarılmaktadır. Yerelden gelen güncellemeler merkezi modeli günceller. Daha sonra güncellenmiş model yerel modellere aktarılır. Bu sayede merkezi model veriyi görmeden eğitilmektedir. Sonuç: Sağlıktan elde edilen veriler ile gizliliğin uygulandığı makine öğrenme modellerinin geliştirilmesi gerekir. Bunun için geleneksel makine öğrenme uygulamalarına federe öğrenmenin entegre edilmesi gereklidir. Böylece veri gizliliğin benimsendiği büyük veriler ile yüksek performans elde edilmesi öngörülmektedir.
Primary Language | English |
---|---|
Subjects | Clinical Sciences |
Journal Section | Orginal Article |
Authors | |
Publication Date | April 20, 2020 |
Published in Issue | Year 2020 Volume: 8 Issue: 1 |