Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Un marco para el análisis de epidemias que preserva la privacidad a partir de múltiples fuentes
Created by
Haebom
Autor
Zihan Guan, Zhiyuan Zhao, Fengwei Tian, Dung Nguyen, Payel Bhattacharjee, Ravi Tandon, B. Aditya Prakash, Anil Vullikanti
Describir
Este artículo presenta un marco basado en aprendizaje profundo que integra diversos conjuntos de datos para la predicción de epidemias y el modelado epidemiológico. En particular, realiza simultáneamente la predicción y el aprendizaje de modelos epidemiológicos de propagación de epidemias, incluyendo conjuntos de datos sensibles que requieren garantías de privacidad diferencial (PD). Mediante experimentos con conjuntos de datos financieros sintéticos, demostramos que los conjuntos de datos sensibles aportan un valor significativo para la predicción y el aprendizaje de modelos, incluso con garantías de PD. La originalidad de este estudio reside en que ningún estudio previo ha utilizado conjuntos de datos aplicados a PD para dicho análisis de epidemias.
Takeaways, Limitations
•
Takeaways:
◦
Presentamos un marco para utilizar eficazmente datos confidenciales para la predicción y el modelado de epidemias, garantizando al mismo tiempo la privacidad diferencial (PD).
◦
La integración de diversas fuentes de datos presenta el potencial de mejorar la precisión predictiva y el poder explicativo de los modelos.
◦
Demostrar empíricamente la aplicabilidad de los conjuntos de datos de aplicación de DP al campo del análisis de epidemias.
•
Limitations:
◦
Es necesario utilizar conjuntos de datos sintéticos para verificar la generalización a conjuntos de datos reales.
◦
Se necesitan experimentos y validaciones adicionales para varios tipos de datos sensibles y técnicas de DP.
◦
Se necesitan más estudios para evaluar su desempeño y utilidad aplicándolo a datos epidémicos del mundo real.
