Fed-BioMed: Open, Transparent and Trusted Federated Learning for Real-world Healthcare Applications

要約

タイトル：Fed-BioMed：現実世界の医療アプリケーションのためのオープンで透明性が高く信頼できるフェデレーテッド学習

要約：

– フェデレーテッド学習の現実世界における実装は複雑であり、データサイエンスからソフトウェアプログラミング、ネットワーク、セキュリティまでの異なる領域を横断する研究開発が必要とされている。
– 今日、データサイエンティストやユーザー向けにいくつかのフェデレーテッド学習ライブラリが提供されているが、これらのフレームワークの多くは、医療データと病院のインフラストラクチャという特定の課題と要件があるため、医療用途でのシームレスなアプリケーションを設計することはできない。
– さらに、これらのフレームワークのガバナンス、設計原則、セキュリティの仮定は一般的に明確に説明されておらず、敏感なアプリケーションでの採用を妨げている。
– 医療におけるフェデレーテッド学習の現在の技術的状況に基づいて、本文書ではFed-BioMedを紹介し、フェデレーテッド学習を現実世界の医療研究アプリケーションに翻訳するための研究開発イニシアチブを説明する。
– 我々は、設計空間、対象ユーザー、ドメインの制約、およびこれらの要因が現在および将来のソフトウェアアーキテクチャにどのように影響するかを説明する。

要約(オリジナル)

The real-world implementation of federated learning is complex and requires research and development actions at the crossroad between different domains ranging from data science, to software programming, networking, and security. While today several FL libraries are proposed to data scientists and users, most of these frameworks are not designed to find seamless application in medical use-cases, due to the specific challenges and requirements of working with medical data and hospital infrastructures. Moreover, governance, design principles, and security assumptions of these frameworks are generally not clearly illustrated, thus preventing the adoption in sensitive applications. Motivated by the current technological landscape of FL in healthcare, in this document we present Fed-BioMed: a research and development initiative aiming at translating federated learning (FL) into real-world medical research applications. We describe our design space, targeted users, domain constraints, and how these factors affect our current and future software architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI