Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Un cadre pour l'analyse épidémique multi-sources préservant la confidentialité
Created by
Haebom
Auteur
Zihan Guan, Zhiyuan Zhao, Fengwei Tian, Dung Nguyen, Payel Bhattacharjee, Ravi Tandon, B. Aditya Prakash, Anil Vullikanti
Contour
Cet article présente un cadre d'apprentissage profond intégrant divers ensembles de données pour la prédiction et la modélisation épidémiologique des épidémies. Plus précisément, il réalise simultanément la prédiction épidémique et l'apprentissage de modèles épidémiologiques de propagation épidémique, y compris des ensembles de données sensibles nécessitant des garanties de confidentialité différentielle (DP). Grâce à des expériences utilisant des ensembles de données financières synthétiques, nous démontrons que les ensembles de données sensibles offrent une valeur significative pour la prédiction et l'apprentissage de modèles, même sous garantie de DP. L'originalité de cette étude réside dans le fait qu'aucune étude antérieure n'avait utilisé d'ensembles de données appliqués à la DP pour une telle analyse épidémique.
Takeaways, Limitations
•
Takeaways:
◦
Nous présentons un cadre permettant d’utiliser efficacement les données sensibles pour la prédiction et la modélisation des épidémies tout en garantissant la confidentialité différentielle (DP).
◦
L’intégration de diverses sources de données offre la possibilité d’améliorer la précision prédictive et le pouvoir explicatif des modèles.
◦
Démontrer empiriquement l’applicabilité des ensembles de données d’application DP au domaine de l’analyse épidémique.
•
Limitations:
◦
Il est nécessaire d’utiliser des ensembles de données synthétiques pour vérifier la généralisabilité à des ensembles de données réels.
◦
Des expériences et des validations supplémentaires sont nécessaires pour différents types de données sensibles et de techniques DP.
◦
D’autres études sont nécessaires pour évaluer ses performances et son utilité en l’appliquant à des données épidémiques réelles.
