KAUST-da tədqiqat qrupu məxfiliyin qorunmasına yönəlmiş alqoritmlər toplusundan istifadə edən maşın öyrənmə metodu yaratmışdır. Bu yanaşma tibbi tədqiqatlarda kritik bir problemi həll edir: fərdi məxfiliyə xələl gətirmədən genomik məlumatlardan kəşfləri sürətləndirmək üçün süni intellektdən (AI) istifadə etmək.

KAUST-dən 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 məlumatlar əsasında hazırlanmış 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.”

Ənənəvi Məxfiliyin Qorunması Texnikaları

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 verilənləri 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.

Diferensial məxfilik ilə məxfiliyin artırılması

“Diferensial məxfilik çərçivəsindən istifadə edərək, qarışdırıcı əlavə etmək eyni səviyyədə məxfiliyin qorunmasını saxlamaqla daha yaxşı model performansına nail ola bilər; lakin mərkəzləşdirilmiş üçüncü tərəf qarışdırıcıdan istifadənin əvvəlki yanaşması, kritik təhlükəsizlik qüsuru yaradır ki, bu da qarışdırıcının vicdansız ola biləcəyini göstərir”. Gao qrupunun tələbəsi. “Bizim yanaşmamızın əsas irəliləyişi mərkəzləşdirilməmiş qarışdırma alqoritminin inteqrasiyasıdır.” O izah edir ki, qarışdırıcı təkcə bu inam 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.

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