一个可解释的联合区块链框架,具有保护隐私的AI优化,用于保护医疗保健数据

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 区块链技术 区块链技术
• 医疗保健信息学 医疗保健信息学

背景情况:

• 联合学习 (FL) 提供了去中心化的机器学习,但在隐私,透明度和对抗性攻击抵抗方面面临挑战.
• 现有的FL系统需要强大的解决方案来安全处理数据和在医疗保健等敏感领域进行可解释的模型决策.

研究的目的:

• 提出和验证保护隐私的联合区块链可解释的人工智能优化 (PPFBXAIO) 框架.
• 提高医疗保健应用中的FL系统的安全性,可解释性和稳定性.
• 解决在FL的隐私保护,透明度和抵御对抗性攻击方面的局限性.

主要方法:

• 集成区块链技术,以使用SHA-256进行安全,可追溯的模型更新.
• 应用可解释人工智能 (XAI) 工具 (例如,SHAP) 来实现模型可解释性.
• 使用Levy Grasshopper优化算法 (LGOA) 进行特征选择和联合模型调整.
• 使用透深信网络 (EDBN) 作为用于提高准确性和攻击检测的分类器.

主要成果:

• PPFBXAIO实现了高性能指标:95.07%的准确率 (乳腺癌) 和93.07%的准确率 (心脏病).
• 与传统模式相比,显示出显著的改进,延迟时间减少81毫秒,吞吐量增加每秒109笔交易.
• 使用威斯康星州乳腺癌和心脏病数据集验证的有效性,显示出卓越的准确性,精度,回忆和F1分数.

结论:

• PPFBXAIO框架为分散的医疗保健提供了一个强大的,保护隐私的,可解释的解决方案.
• 区块链,XAI和优化技术的整合提高了FL系统的性能和安全性.
• 拟议的系统在现实世界医疗保健场景中显示出实际适用性和卓越性能.