Internformat: Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé

Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé

L’apprentissage fédéré ou federated learning (FL) représente aujourd’hui un paradigme de travail essentiel pour renforcer la recherche en IA tout en garantissant la gouvernance et la confidentialité des données grâce à des applications d’apprentissage décentralisées. L’apprentissage fédéré permet à...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Önen, Melek, Cremonesi, Francesco, Lorenzi, Marco
Format:	Article ou chapitre numérique
Sprache:	Français
Veröffentlicht:	2023
Schlagworte:	apprentissage fédéré data science droit de la santé partage des données sécurité des données data security data sharing federated learning health
Online Zugang:	Accès Université d'Orléans et IFPM Accès Université d'Orléans et IFPM

id	cairn-RIDE_363_0095
record_format	cairn
spelling	cairn-RIDE_363_0095RIDERevue internationale de droit économique https://droit.cairn.info/revue-internationale-de-droit-economique-2022-3-page-95?lang=fr https://doi.org/10.3917/ride.363.0095 Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé Önen, MelekCremonesi, FrancescoLorenzi, Marco2023 apprentissage fédérédata sciencedroit de la santépartage des donnéessécurité des donnéesdata sciencedata securitydata sharingfederated learninghealthfre Revue internationale de droit économique \| t.XXXVI \| 3 \| 2023-04-21 \| p. 95-113 \| 1010-8831 RIDE_36395 L’apprentissage fédéré ou federated learning (FL) représente aujourd’hui un paradigme de travail essentiel pour renforcer la recherche en IA tout en garantissant la gouvernance et la confidentialité des données grâce à des applications d’apprentissage décentralisées. L’apprentissage fédéré permet à différents clients d’apprendre conjointement un modèle global sans partager leurs données respectives, et est donc particulièrement adapté aux applications d’IA contenant des données sensibles, comme dans le domaine de la santé.Néanmoins, l’utilisation de l’apprentissage fédéré dans le domaine médical en est actuellement à ses débuts, avec seulement une poignée d’applications pionnières démontrées dans des conditions réelles. L’un des aspects critiques de son application dans des conditions réelles concerne les aspects de sécurité et de sûreté. Des parties mal intentionnées peuvent intervenir pendant la procédure pour dégrader/modifier les performances des modèles ou récupérer des informations sur les données d’autres clients. Il existe actuellement une zone grise de menaces potentielles pour la vie privée associées au développement et à l’exploitation de méthodes complexes d’IA sur des données sensibles. Ces menaces apparaissent chaque fois que nous pouvons interférer avec les processus d’apprentissage ou d’exploitation du modèle, afin de recueillir plus d’informations sur les données utilisées pour générer un tel modèle.Dans ce travail, nous fournissons une vue d’ensemble des recherches et des défis actuels sur la sécurité et la sûreté de l’apprentissage fédéré, avec un accent particulier sur les applications de soins de santé.Federated learning (FL) represents today a key working paradigm to empower AI research while guarantying data governance and confidentiality through decentralized learning applications. FL enables different clients to jointly learn a global model without sharing their respective data, and is therefore particularly suited in AI applications with sensitive data, such as in healthcare.Nevertheless, the use of FL in the medical domain is currently at its infancy, with only a handful of pioneering applications demonstrated in real world conditions. One of the critical aspects about the application of FL in real world conditions concerns the aspects of security and safety. Ill intentioned parties may interfere during the federated learning procedure to degrade/modify models performances, or retrieve information about other clients’ data. There is currently a greyzone of potential privacy threats associated to the development and exploitation of complex AI methods to sensitive data. These threats arise anytime we can interfere with the model training or exploitation processes, to gather more information about the data used to generate such a model.In this work, we provide an overview of current research and challenges on the security and safety of federated learning, with special focus on healthcare application.Cairn free access
language	Français
format	Article ou chapitre numérique
building	0/Bibliothèque numérique/ 1/Bibliothèque numérique/Cairn/
topic	apprentissage fédéré data science droit de la santé partage des données sécurité des données data science data security data sharing federated learning health
spellingShingle	apprentissage fédéré data science droit de la santé partage des données sécurité des données data science data security data sharing federated learning health Önen, Melek Cremonesi, Francesco Lorenzi, Marco Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé
topic_facet	apprentissage fédéré data science droit de la santé partage des données sécurité des données data science data security data sharing federated learning health
description	L’apprentissage fédéré ou federated learning (FL) représente aujourd’hui un paradigme de travail essentiel pour renforcer la recherche en IA tout en garantissant la gouvernance et la confidentialité des données grâce à des applications d’apprentissage décentralisées. L’apprentissage fédéré permet à différents clients d’apprendre conjointement un modèle global sans partager leurs données respectives, et est donc particulièrement adapté aux applications d’IA contenant des données sensibles, comme dans le domaine de la santé.Néanmoins, l’utilisation de l’apprentissage fédéré dans le domaine médical en est actuellement à ses débuts, avec seulement une poignée d’applications pionnières démontrées dans des conditions réelles. L’un des aspects critiques de son application dans des conditions réelles concerne les aspects de sécurité et de sûreté. Des parties mal intentionnées peuvent intervenir pendant la procédure pour dégrader/modifier les performances des modèles ou récupérer des informations sur les données d’autres clients. Il existe actuellement une zone grise de menaces potentielles pour la vie privée associées au développement et à l’exploitation de méthodes complexes d’IA sur des données sensibles. Ces menaces apparaissent chaque fois que nous pouvons interférer avec les processus d’apprentissage ou d’exploitation du modèle, afin de recueillir plus d’informations sur les données utilisées pour générer un tel modèle.Dans ce travail, nous fournissons une vue d’ensemble des recherches et des défis actuels sur la sécurité et la sûreté de l’apprentissage fédéré, avec un accent particulier sur les applications de soins de santé.
author	Önen, Melek Cremonesi, Francesco Lorenzi, Marco
author_facet	Önen, Melek Cremonesi, Francesco Lorenzi, Marco
author_sort	Önen, Melek
title	Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé
title_short	Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé
title_full	Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé
title_fullStr	Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé
title_full_unstemmed	Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé
title_sort	apprentissage automatique fédéré pour l’ia collaborative dans le secteur de la santé
publishDate	2023
container_title
container_issue
url	https://ezproxy.univ-orleans.fr/login?url=https://droit.cairn.info/revue-internationale-de-droit-economique-2022-3-page-95?lang=fr https://ezproxy.univ-orleans.fr/login?url=https://doi.org/10.3917/ride.363.0095
_version_	1877246661101617152

Apprentissage automatique fédéré pour l’IA collaborative dans le secteur de la santé

Ähnliche Einträge