应用联合学习来打击食品欺诈在食品供应链中的食品欺诈

科学领域:

• 食品科学 食品科学 食品科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 由于复杂性和欺诈风险,食品供应链在确保安全和健康方面面临重大挑战.
• 人工智能 (AI),特别是数据驱动的贝叶斯网络 (BN) 模型,在预测食品欺诈方面表现有前途.
• 供应链参与者之间的数据共享对于提高BN模型准确性至关重要,但由于隐私和安全问题而受到阻碍.

研究的目的:

• 用数据驱动的贝叶斯网络 (BN) 展示联邦学习 (FL) 技术在食品欺诈预测方面的潜力.
• 整合来自多个,地理上分散的数据所有者的数据,而不会影响数据隐私或安全.
• 制定一个合作食品欺诈分析框架,尊重数据保密性.

主要方法:

• 建立了一个框架,由三个地理上不同的数据站组成,每个数据站都拥有独特的食品欺诈数据集.
• 在这个框架内,实现了一个数据驱动的贝叶斯网络 (BN) 算法.
• 通过使用来自不同站的数据来训练BN算法,数据留在原始物理位置,遵守隐私原则.

主要成果:

• 这项研究成功地证明了联合贝叶斯网络 (BN) 对食品欺诈预测的适用性.
• 实施的框架允许整合来自不同来源的数据,而不需要数据离开所有者的数据库.
• 在整个联合学习过程中,数据的隐私和保密性都得到了维护.

结论:

• 联合学习 (FL) 与贝叶斯网络 (BN) 结合,为协作食品欺诈分析提供了可行的解决方案.
• 这种方法可以显著提高供应链利益相关者之间的食品欺诈控制决策.
• 该框架支持通过实现数据驱动的洞察力,同时维护数据隐私和机密性来提高食品安全.