Investigadores de China propusieron un nuevo método de selección de imágenes μXRD basado en el aprendizaje federado (FL) para mejorar la selección mientras se protege la privacidad de los datos.
Investigadores chinos proponen un nuevo método de selección de imágenes μXRD basado en el aprendizaje federado (FL) para mejorar la selección y proteger la privacidad de los datos.
El aprendizaje federado proporciona un mecanismo para liberar datos para alimentar nuevas aplicaciones de IA mediante el entrenamiento de modelos de IA sin que nadie pueda ver o acceder a sus datos. Los minerales industriales se someten a servicios de microdifracción de rayos X de sincrotrón (XRD) para determinar sus impurezas cristalinas en términos de cristalinidad e impurezas posibles. Los servicios de XRD producen enormes cantidades de fotos; estas imágenes deben filtrarse antes de ser procesadas y almacenadas más adelante. Debido a la renuencia de los usuarios del servicio a proporcionar sus fotografías experimentales originales, no hay suficientes ejemplos etiquetados eficientes para entrenar un modelo de detección. Para mejorar la detección manteniendo la privacidad de los datos, los investigadores sugieren un enfoque de detección de imágenes de XRD basado en aprendizaje federado (FL) en este estudio. Con la ayuda de algoritmos de muestreo de clientes de vanguardia, su solución aborda el problema de la distribución desequilibrada de datos que enfrentan los usuarios del servicio al utilizar diversos tipos y cantidades de muestras. También sugieren técnicas de entrenamiento híbridas para abordar los intercambios de datos asincrónicos entre los clientes y servidores de FL. Los resultados de los estudios demuestran que su tecnología puede garantizar una detección eficiente para los clientes comerciales que prueban materiales industriales al tiempo que protegen información comercialmente sensible.
Los minerales industriales pueden detectar imperfecciones cristalinas mediante microdifracción de rayos X de sincrotrón (XRD). Sin embargo, el avance de la detección precisa de imágenes de XRD se ve obstaculizado por dos problemas significativos. Uno es la falta de muestras industriales etiquetadas y el otro son las preocupaciones de privacidad de los usuarios del servicio de XRD industrial.
Los investigadores utilizaron la información física específica del dominio para aumentar la precisión del aprendizaje federado. Luego implementaron un método de muestreo con nuevos algoritmos de muestreo de clientes después de considerar las distribuciones desiguales de datos en el mundo real. Se desarrolló una arquitectura de entrenamiento híbrida para lidiar con el entorno de comunicación errático entre los clientes y servidores de FL.
Pruebas exhaustivas revelaron que compartir características de datos entre usuarios o aplicaciones sin comprometer información comercialmente sensible aumentó la precisión de los modelos de aprendizaje automático en un 14% a un 25%. Las capacidades de aprendizaje federado de este sistema innovador ayudarán a eliminar obstáculos no técnicos para el intercambio de datos.
- Una nueva investigación de IA de China propone Meta-Transformer un ...
- Conoce a AIHelperBot Un experto en SQL basado en Inteligencia Artif...
- Framework de IA guiado por humanos promete un aprendizaje robótico ...
