Föderiertes maschinelles Lernen in Daten

Oct 06, 2023

Nature Machine Intelligence Band 5, Seiten 2–4 (2023)Diesen Artikel zitieren

964 Zugriffe

8 Altmetrisch

Details zu den Metriken

Um Big Data optimal nutzen zu können, müssen sie zwischen den Institutionen auf eine Art und Weise ausgetauscht werden, die mit Datenschutzaspekten und der EU-Datenschutz-Grundverordnung (DSGVO) im Einklang steht. Föderiertes maschinelles Lernen ist eine vielversprechende Option.

Dies ist eine Vorschau der Abonnementinhalte, Zugriff über Ihre Institution

Greifen Sie auf Nature und 54 weitere Nature Portfolio-Zeitschriften zu

Holen Sie sich Nature+, unser preisgünstigstes Online-Zugangsabonnement

29,99 $ / 30 Tage

jederzeit kündigen

Abonnieren Sie diese Zeitschrift

Erhalten Sie 12 digitale Ausgaben und Online-Zugriff auf Artikel

99,00 $ pro Jahr

nur 8,25 $ pro Ausgabe

Leihen oder kaufen Sie diesen Artikel

Holen Sie sich diesen Artikel nur so lange, wie Sie ihn benötigen

39,95 $

Die Preise können örtlicher Steuern unterliegen, die beim Bezahlvorgang berechnet werden

Crowson, MG et al. PloS-Ziffer. Gesundheit 1, e0000033 (2022).

Google Scholar

Rieke, N. et al. NPJ-Ziffer. Med. 3, 19 (2020).

Google Scholar

Sadilek, A. et al. NPJ-Ziffer. Mit. 4, 132 (2021).

Google Scholar

Zolotareva, O. et al. Genombiol. 22, 338 (2021).

Google Scholar

Aouedi, O., Sacco, A., Piamrat, K. & Marchetto, G. IEEE J. Biomed. Gesundheitsinformationen. https://doi.org/10.1109/JBHI.2022.3185673 (2022).

Ficek, J., Wang, W., Chen, H., Dagne, G. & Daley, EJ Am. Med. Informieren. Assoc. Rev. 28, 2269–2276 (2021).

Google Scholar

Dankar, FK, Madathil, N., Dankar, SK & Boughorbel, S. JMIR Med. Informieren. 7, e12702 (2019).

Google Scholar

Huang, X. World Wide Web J Biol. 23, 2529–2545 (2020).

Google Scholar

Europäisches Parlament/Europäischer Rat. https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:02016R0679-20160504&from=EN (2016).

Winter, C., Battis, V. & Halvani, O. ZD Zeitschrift für Datenschutz 11, 489–493 (2019).

Google Scholar

Kaulartz, M. & Braegelmann, T. Rechtshandbuch Artificial Intelligence und Machine Learning (C.H. Beck, 2020).

Ma, R. et al. Bioinformatik 36, 2872–2880 (2020).

Google Scholar

Liu, T., Di, B., Wang, B. & Song, L. IEEE J. Sel. Top-Signal. Verfahren. 16, 546–558 (2022).

Zhang, X., Kang, Y., Chen, K., Fan, L. & Yang, Q. Vorabdruck unter http://arxiv.org/abs/2209.00230 (2022).

Bietti, A., Wei, CY, Dudik, M., Langford, J. & Wu, S. in Proc. Forschung zum maschinellen Lernen Bd. 162 (Hrsg. Chaudhuri, K. et al.) 1945–1962 (MLR Press, 2022).

Mugunthan, V., Byrd, D., Polychroniadou, A. & Balch, THJPMorgan https://www.jpmorgan.com/content/dam/jpm/cib/complex/content/technology/ai-research-publications/pdf- 9.pdf (2019).

Antunes, RS, Andre da Costa, C., Küderle, A., Yari, IA & Skofier, B. ACM Trans. Intel. Syst. Technol. 13, 1–23 (2022).

Google Scholar

Wibawa, F., Catak, FO, Sarp, S., Kuzlu, M. & Cali, U. in Proc. 2022 Europäische interdisziplinäre Cybersicherheitskonferenz, 85–90 (Association for Computing Machinery, 2022).

Büro des Informationskommissars. ICO https://ico.org.uk/for-organisations/guide-to-data-protection/guide-to-the-general-data-protection-regulation-gdpr/accountability-and-governance/documentation/(2022) .

Zerka, F. et al. JCO-Klinik. Krebsinformationen. 4, 184–200 (2020).

Google Scholar

ePrivacy. https://www.eprivacy.eu/home/ (abgerufen am 6. Juli 2022).

Internationale Organisation für Normung. ISO https://www.iso.org/isoiec-27001-information-security.html (2022).

ISO/IEC JTC 1/SC 42 Künstliche Intelligenz. ISO https://www.iso.org/standard/74438.html(2022).

Sheller, MJ et al. Online-Ergänzung (Supplementary Information 1) zu Sci. Rep. 10, 12598 (2020); https://static-content.springer.com/esm/art%3A10.1038%2Fs41598-020-69250-1/MediaObjects/41598_2020_69250_MOESM1_ESM.docx

Sheller, MJ et al. Wissenschaft. Rep. 10, 12598 (2020).

Google Scholar

Truong, N., Sun, K., Wang, S., Guitton, F. & Guo, Y. Comput. Sicherheit 110, 102402 (2021).

Google Scholar

Pfitzner, B., Steckhan, N. & Arnrich, B. ACM Trans. Internet-Technologie. 21, 1–31 (2021).

Google Scholar

Lepri, B., Oliver, N. & Pentland, A. iScience 24, 102249 (2021).

Google Scholar

Referenzen herunterladen

Unsere Arbeit wurde vom Bundesministerium für Bildung und Forschung (BMBF; Fördermittel 16DTM100A und 16DTM100C) gefördert. Darüber hinaus erhielten wir Fördermittel aus dem Forschungs- und Innovationsprogramm Horizon 2020 der Europäischen Union im Rahmen der Fördervereinbarung Nr. 826078. Diese Veröffentlichung spiegelt ausschließlich die Ansichten der Autoren wider und die Europäische Kommission ist nicht verantwortlich für die Verwendung der darin enthaltenen Informationen.

Diese Autoren haben gleichermaßen beigetragen: Linda Baumbach, Gabriele Buchholtz.

Juristische Fakultät der Universität Hamburg, Universität Hamburg, Hamburg, Deutschland

Alissa Brauneck, Louisa Schmalhorst & Gabriele Buchholtz

Institut für Computational Systems Biology, Universität Hamburg, Hamburg, Deutschland

Mohammad Mahdi Kazemi Majdabadi, Mohammad Bakhtiari, Christina Caroline Saak und Jan Baumbach

Interfakultäres Institut für Genetik und Funktionelle Genomik, Abteilung Funktionelle Genomik, Universitätsmedizin Greifswald, Greifswald, Deutschland

Uwe Völker

Abteilung für Gesundheitsökonomie und Versorgungsforschung, Universitätsklinikum Hamburg-Eppendorf, Hamburg, Deutschland

Linda Baumbach

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Korrespondenz mit Alissa Brauneck.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature Machine Intelligence dankt Stuart McLennan und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.

Nachdrucke und Genehmigungen

Brauneck, A., Schmalhorst, L., Kazemi Majdabadi, MM et al. Föderiertes maschinelles Lernen in der datenschutzkonformen Forschung. Nat Mach Intell 5, 2–4 (2023). https://doi.org/10.1038/s42256-022-00601-5

Zitat herunterladen

Veröffentlicht: 25. Januar 2023

Ausgabedatum: Januar 2023

DOI: https://doi.org/10.1038/s42256-022-00601-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt