类别

标签: 联邦学习

思考“燕麦”框:技术解决“金发姑娘数据困境”

Marielle Gross.
罗伯特米勒

由罗伯特C. Miller,JR。和Marielle S. Gross,MD,MBE

这件作品是该系列的一部分“健康数据金发姑娘困境:分享?隐私?两个都?”哪个探索是否’可以在保持隐私的同时推进互操作性。检查系列中的其他碎片 这里 .

粥问题

今天,我们经常听到使用人工智能的研究团队的故事,以检测和诊断疾病,更准确,速度比人类梦想。我们越来越多地呼吁通过与这些算法共享我们的团队分享我们的数据来促进这些努力,有时由依托利他主义动机的医疗组织。甚至似乎似乎才能让您将数据批准到该次结束的次初创公司。但鉴于您的健康数据的敏感性,您可能会持怀疑态度,因此当您考虑到Tech的隐私跟踪记录时,您可能会持怀疑态度。我们已经开始认识到我们目前的隐私保护范式的缺陷,依赖于“通知和同意”的薄概念,即不恰当地将责任数据管理依赖于他们对自己的数据进行有意义的控制能力仍然非常有限的个人。

更广泛的趋势的标志性, “健康数据金姑娘困境”系列 呼唤注意 隐私之间的紧张和必要权衡与现代医疗技术系统的目标。根本没有分享我们的数据会“太冷”,但自由分享会“太热”。我们一直在寻找“公正的”政策,以在保护个人的权利和利益之间取得平衡,同时更容易地学习数据,以推进社会的权利和利益。 

如果有办法让其他人有办法怎么办? 在不影响您的隐私的情况下向您的数据学习?

迄今为止,罢工这一余额的重大战略涉及从脱田数据的分享和学习的做法 - 凭借个人的唯一风险分享他们的数据,这是数据识别它们的能力的直接后果。然而,人工智能呈现出真正的脱离诊断,我们越来越越来越认识到对各种学术和商业环境跨越学习的个人对学习学习的个人有问题的缺乏问责制。在目前的形式, Deidentification不仅仅是一只手的雪石,让我们对无限制使用我们的数据感到更加舒适,而不真正保护我们的利益。更多的狼穿着羊皮,Deidentification没有解决金发姑娘困境。

技术到救援!

幸运的是,有一个 少数令人兴奋的新技术,可以让我们完全让我们能够通过使我们能够在不放弃我们的隐私的情况下获得集体数据的好处来实现金发姑娘困境。这听起来真是太好了,所以让我解释这三个最革命性的人:零知识证明,联邦学习和区块科技。

继续阅读…

登记

忘记密码?