Məxfiliyi qoruyan alqoritmlər ansamblını birləşdirərək, KAUST tədqiqat qrupu tibbi tədqiqatlarda əhəmiyyətli bir problemi həll edən maşın öyrənmə yanaşmasını inkişaf etdirdi: genomik məlumatların kəşfini sürətləndirmək üçün süni intellektin (AI) gücündən necə istifadə etmək olar şəxslərin məxfiliyi.

Araşdırma “Science Advances” jurnalında dərc olunub .

KAUST-dan Xin Gao deyir: “Omics məlumatları adətən gen ifadəsi və hüceyrə tərkibi kimi bir çox şəxsi məlumatı ehtiva edir ki, bu da çox vaxt insanın xəstəliyi və ya sağlamlıq vəziyyəti ilə əlaqəli ola bilər “. “Bu məlumat əsasında təlim keçmiş süni intellekt modelləri, xüsusən də dərin öyrənmə modelləri, fərdlər haqqında şəxsi təfərrüatları saxlamaq potensialına malikdir. Bizim əsas diqqətimiz məxfiliyin qorunması və model performansının optimallaşdırılması arasında təkmilləşdirilmiş balans tapmaqdır .”

Məxfiliyin qorunmasına ənənəvi yanaşma məlumatların şifrələnməsidir. Bununla belə, bu, məlumatların təlim üçün deşifrə edilməsini tələb edir ki, bu da ağır hesablama yükü gətirir. Təlim edilmiş model hələ də şəxsi məlumatları saxlayır və buna görə də yalnız təhlükəsiz mühitlərdə istifadə edilə bilər.

Məxfiliyi qorumağın başqa bir yolu, məlumatları daha kiçik paketlərə bölmək və yerli təlim alqoritmləri qrupundan istifadə edərək, modeli hər bir paketdə ayrıca öyrətməkdir, bu yanaşma yerli təlim və ya federativ öyrənmə kimi tanınır. Bununla belə, özlüyündə bu yanaşma hələ də təlim keçmiş modelə şəxsi məlumatları sızdırmaq potensialına malikdir.

Diferensial məxfilik adlanan üsul məxfiliyə zəmanət verən şəkildə məlumatları parçalamaq üçün istifadə edilə bilər, lakin bu, dəqiq gen əsaslı tədqiqatlar üçün faydalılığını məhdudlaşdıran “səs-küylü” bir modellə nəticələnir.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=189&slotname=2793866484&adk=4245293054&adf=1873531024&pi=t.ma~as.2793866484&w=753&fwrn=4&lmt=1711223443&rafmt=11&format=753×189&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2024-02-shuffler-optimizes-privacy-personal-genomic.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTUuMC4wIiwieDg2IiwiIiwiMTIyLjAuNjI2MS4xMjkiLG51bGwsMCxudWxsLCI2NCIsW1siQ2hyb21pdW0iLCIxMjIuMC42MjYxLjEyOSJdLFsiTm90KEE6QnJhbmQiLCIyNC4wLjAuMCJdLFsiR29vZ2xlIENocm9tZSIsIjEyMi4wLjYyNjEuMTI5Il1dLDBd&dt=1711223337668&bpp=1&bdt=345&idt=313&shv=r20240320&mjsv=m202403200101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dd8c6cdc5123375cd%3AT%3D1709623025%3ART%3D1711223154%3AS%3DALNI_MY2ynj5TDpMXqOZBx7W90OihbbXuw&gpic=UID%3D00000d6971a748b6%3AT%3D1709623025%3ART%3D1711223154%3AS%3DALNI_MaTILJ6PYHOKRZlSvHcKJ4LkDsnLQ&eo_id_str=ID%3D34d5e14efb6a7c5d%3AT%3D1709623025%3ART%3D1711223154%3AS%3DAA-Afjbw5XrDrmZOIEp3UV8fgvCO&prev_fmts=0x0%2C910x280%2C1075x816&nras=2&correlator=8621975843426&frm=20&pv=1&ga_vid=1833901760.1709623018&ga_sid=1711223338&ga_hid=1497141806&ga_fc=1&rplot=4&u_tz=240&u_his=1&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=1717&biw=1519&bih=695&scr_x=0&scr_y=0&eid=44759875%2C44759926%2C44759837%2C31081577%2C31082034%2C44795921%2C95326315%2C31082079%2C95320378%2C95326914%2C31078663%2C31078665%2C31078668%2C31078670&oid=2&psts=AOrYGsm_rIyDvrMg_j7b5fL-bzTT2PC93d6W-V1ueQS6C4CA7gdrxk-Dnx9v2oyDdFgW766dNDITv-o-7soNNd4Ibw&pvsid=3968212618533447&tmod=933362213&uas=0&nvt=3&topics=1&tps=1&ref=https%3A%2F%2Ftechxplore.com%2Fpage6.html&fc=1920&brdim=0%2C0%2C0%2C0%2C1536%2C0%2C0%2C0%2C1536%2C695&vis=1&rsz=%7C%7CpEebr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=0&td=1&psd=W251bGwsbnVsbCwibGFiZWxfb25seV8xIiwxXQ..&nt=1&ifi=3&uci=a!3&btvi=1&fsb=1&dtd=M

“Diferensial məxfilik çərçivəsindən istifadə edərək, qarışdırıcının əlavə edilməsi eyni səviyyədə məxfiliyin qorunmasını təmin etməklə daha yaxşı model performansına nail ola bilər; lakin qarışdırıcının vicdansız ola biləcəyi üçün kritik təhlükəsizlik qüsuru yaradan mərkəzləşdirilmiş üçüncü tərəf qarışdırıcıdan istifadənin əvvəlki yanaşması, Juexiao Zhou, məqalənin aparıcı müəllifi və fəlsəfə doktoru deyir. Gao qrupunun tələbəsi. “Bizim yanaşmamızın əsas irəliləyişi mərkəzləşdirilməmiş qarışdırma alqoritminin inteqrasiyasıdır.”

O izah edir ki, qarışdırıcı təkcə bu etibar problemini həll etmir, həm də mükəmməl məxfiliyin qorunmasını təmin etməklə yanaşı, məxfiliyin qorunması və model qabiliyyəti arasında daha yaxşı uyğunlaşma əldə edir.

Komanda məxfiliyi qoruyan maşın öyrənmə yanaşmasını (PPML-Omics adlanır) üç çətin multi-omik tapşırıq üzrə üç təmsilçi dərin öyrənmə modelini öyrətməklə nümayiş etdirdi. PPML-Omics nəinki digər yanaşmalardan daha yüksək effektivliyə malik optimallaşdırılmış modellər istehsal etdi, həm də ən müasir kiberhücumlara qarşı möhkəm olduğunu sübut etdi.

“Bilmək lazımdır ki, təcrübəli dərin öyrənmə modelləri xəstələrin xarakterik genləri kimi təlim məlumatlarından əhəmiyyətli miqdarda şəxsi məlumatı saxlamaq qabiliyyətinə malikdir” dedi Gao. ” Bioloji və biotibbi məlumatların təhlili üçün dərin öyrənmə getdikcə daha çox tətbiq olunduqca, məxfiliyin qorunmasının əhəmiyyəti həmişəkindən daha böyükdür.”

Daha çox məlumat: Juexiao Zhou və digərləri, PPML-Omics: Məxfiliyi qoruyan federasiya edilmiş maşın öyrənmə metodu, omik məlumatlarda xəstələrin məxfiliyini qoruyur, Science Advances (2024). DOI: 10.1126/sciadv.adh8601

Jurnal məlumatı: Elmin inkişafı Kral Abdullah Elm və Texnologiya Universiteti tərəfindən təmin edilmişdir