Trustful AI through fair and privacy-preserving federated machine learning
Abstract
Intelligence artificielle digne de confiance grâce à l'apprentissage fédéré équitable et respectueux de la vie privée L'augmentation massive du volume de données disponibles a transformé l'informatique moderne, contribuant à l'essor de l'apprentissage automatique dans plusieurs domaines tels que la santé, la finance et les systèmes autonomes. Cette dépendance croissante aux modèles d'apprentissage pour la prise de décision dans ces domaines soulève des préoccupations majeures en matière d'équité et de confidentialité, étant donné que les décisions qu'ils produisent peuvent influencer de manière significative les individus et les organisations dans des contextes d'application réels. Motivés par la nécessité de mieux comprendre et d'atténuer ces enjeux, la présente recherche étudie les défis associés à ces problématiques et propose des contributions notables en faveur de systèmes d'apprentissage plus responsables et plus fiables. La première partie de cette thèse porte sur l'équité, devenue une préoccupation centrale en apprentissage automatique en raison de son potentiel à amplifier les disparités et à renforcer les biais existants. Ce constat, associé à l'émergence de régulations telles que l'AI Act de l'Union européenne et l'Executive Order américain, souligne la nécessité d'intégrer l'équité comme principe fondamental dans la conception des systèmes d'apprentissage automatique. Compte tenu de cela, nous avons examiné comment les méthodes de sélection automatique de…
How strong is the evidence?
Evidence Hub reads this as a thesis, done in computer models (in silico), not in people. Its evidence level is 5 of 5 (Very low · case / narrative / animal / in vitro / in silico). Case reports, narrative reviews, and animal, cell or computer-model studies give the weakest evidence for human health.
Read the paper
Related studies
- Active Learning during Federated Learning for Object Detection
- Fairness-aware federated learning
- Decentralized Federated Learning
- Building a Personally Identifiable Information Recognizer in a Privacy Preserved Manner Using Automated Annotation and Federated Learning
- Preservation of Patient Level Privacy: Federated Classification and Calibration Models
- Efficient explainable federated learning
Go deeper in Evidence Hub
Evidence Hub adds a study data sheet (design, sample size, evidence level, key numbers), an AI summary and a chat grounded in the paper's text.