DTQFL:数字双胞胎辅助量子联合学习算法,用于5G移动网络中的智能诊断
IEEE journal of biomedical and health informatics
|August 8, 2023
概括
本研究介绍了一种数字双胞胎辅助量子联合学习 (DTQFL) 算法,以增强智能医疗保健. DTQFL使人工智能模型在没有直接数据共享的情况下进行安全,高效的训练,提高了准确性和速度.
科学领域:
- 医疗人工智能 医疗人工智能
- 量子计算在医疗保健中的应用
- 联邦学习学习 (Federated Learning) 是一种学习方式.
背景情况:
- 医疗保健中的经典机器学习面临着数据隐私,更新缓慢和漫长培训等挑战.
- 智能医疗需要先进的AI解决方案来克服传统方法的局限性.
研究的目的:
- 提出一种新的数字双胞胎辅助量子联合学习 (DTQFL) 算法.
- 解决隐私问题,提高医疗AI培训效率.
主要方法:
- 利用5G网络和医疗物联网 (IoMT) 设备来创建患者数字双胞胎 (DT).
- 实施DTQFL用于变量量子神经网络 (VQNN) 的同步训练和更新.
- 使用DTQFL为个别医院培训个性化的VQNN,同时确保隐私和速度.
主要成果:
- 在不集中本地患者数据的情况下,DTQFL成功培训了VQNNs.
- 实现了与数据集中算法可比的准确性.
- 与非个性化模型相比,个性化VQNN训练的结果是更高的准确性.
结论:
- 在智能医疗保健中,DTQFL为保护隐私和高效的人工智能模型培训提供了可行的解决方案.
- 拟议的方法通过个性化,联合学习来提高VQNN的性能.
- 数字双胞胎加速并确保了AI在医疗服务中的整合.
