Ricercatori dalla Cina hanno proposto un nuovo metodo di screening delle immagini μXRD basato sull’apprendimento federato (FL) per migliorare lo screening proteggendo al contempo la privacy dei dati.
Ricercatori cinesi propongono metodo FL per screening immagini μXRD, migliorando screening e proteggendo privacy dati.
Il machine learning federato fornisce un meccanismo per sfruttare i dati per alimentare nuove applicazioni di intelligenza artificiale addestrando modelli di intelligenza artificiale senza far vedere o accedere ai tuoi dati a nessuno. I minerali industriali vengono sottoposti a servizi di microdiffrattometria a raggi X sincrotrone (XRD) per determinare le loro impurità cristalline in termini di cristallinità e possibili impurità. I servizi XRD producono enormi quantità di foto; queste immagini devono essere filtrate prima di essere elaborate e memorizzate ulteriormente. A causa della riluttanza degli utenti del servizio nel fornire le loro fotografie sperimentali originali, non ci sono abbastanza esempi etichettati efficienti per addestrare un modello di screening. Per migliorare lo screening mantenendo la privacy dei dati, i ricercatori suggeriscono un approccio di screening delle immagini XRD basato sul machine learning federato (FL) in questo studio. Con l’aiuto di algoritmi di campionamento avanzati per il client, la loro soluzione affronta il problema della distribuzione sbilanciata dei dati affrontato dagli utenti del servizio che utilizzano vari tipi e quantità di campioni. Suggeriscono anche tecniche di addestramento ibride per affrontare gli scambi asincroni di dati tra i client e i server FL. I risultati degli studi dimostrano che la loro tecnologia può garantire uno screening efficiente per i clienti commerciali che testano materiali industriali proteggendo al contempo informazioni commercialmente sensibili.
I minerali industriali possono rilevare imperfezioni cristalline utilizzando la microdiffrattometria a raggi X sincrotrone (XRD). Tuttavia, lo sviluppo di un preciso screening delle immagini XRD viene ostacolato da due problemi significativi. Uno è la mancanza di campioni industriali etichettati, l’altro sono le preoccupazioni sulla privacy degli utenti del servizio XRD industriale.
I ricercatori hanno utilizzato le informazioni fisiche specifiche del settore per aumentare l’accuratezza del machine learning federato. Hanno quindi implementato un metodo di campionamento con nuovi algoritmi di campionamento per il client dopo aver considerato le distribuzioni non uniformi dei dati nel mondo reale. È stata sviluppata un’architettura di addestramento ibrida per affrontare l’ambiente di comunicazione erratico tra i client e i server FL.
- I Ricercatori di AI presso la Mayo Clinic introducono un metodo basato sull’apprendimento automatico per sfruttare i modelli di diffusione per costruire un algoritmo di inpainting multitask per i tumori cerebrali.
- Una nuova ricerca sull’IA proveniente dalla Cina propone Meta-Transformer un framework unificato per l’apprendimento multimodale dell’IA
- Top Strumenti per l’Archiviazione dei Dati nel 2023
Test approfonditi hanno rivelato che la condivisione delle caratteristiche dei dati tra gli utenti o le applicazioni senza compromettere informazioni commercialmente sensibili aumenta l’accuratezza dei modelli di apprendimento automatico dal 14% al 25%. Le capacità di machine learning federato di questo sistema innovativo aiuteranno a rimuovere gli ostacoli non tecnici allo scambio di dati.
