NVIDIA(輝達)推出開源型態的NVIDIA FLARE軟體開發套件(SDK),協助分散各地的用戶合作開發更多通用的人工智慧(AI)模型,使研究人員能較過去更容易地使用聯合學習。

能夠保護隱私的聯合學習技術,特別適用於資料稀缺、機密或缺乏多樣性的情況,同時也適用於大型資料集,這些資料集可能會因為組織收集資料的方法,或病患、客戶的人口統計資料而出現偏差。

NVIDIA FLARE(Federated Learning Application Runtime Environment)是NVIDIA Clara Train聯合學習軟體的基礎引擎,已應用於醫學影像、遺傳分析、腫瘤學及COVID-19研究的AI應用。研究人員與資料科學家可以透過此SDK,將其現有的機器學習和深度學習工作流程調整為分散式架構(paradigm)。

研究人員與平台開發人員透過採用開源型態的NVIDIA FLARE,將能擁有更多工具來自訂其聯合學習解決方案,讓各行各業的先進AI變得更強大。

借助此SDK,研究人員便能為特定領域的應用程式挑選各種聯合學習架構,量身打造自己的方法。平台開發者可以透過NVIDIA FLARE為客戶提供打造多方協作應用程式所需的分散式基礎設施。

參與聯合學習的單位共同訓練或評估AI模型,無需匯集或交換各組的專有資料集。NVIDIA FLARE提供多種分散式架構來實現這一點,包括點對點、循環及主從式(server-client)等。

NVIDIA利用主從式架構,將從每個參與者學習到的模型參數發送到一個公用伺服器上,並匯總成一個全域模型(global model)。NVIDIA帶領進行的聯合學習專案,幫助分割胰臟癌腫瘤、對乳房攝影中的乳房密度進行分類,以告知罹患乳癌的風險,以及預測COVID患者的氧氣需求。

另外兩個使用NVIDIA FLARE的聯合學習合作項目也運用主從式架構,包含NVIDIA與羅氏(Roche)Digital Pathology的研究人員合作,利用整個片子的影像進行分類,成功地進行了內部模擬;NVIDIA與位於荷蘭的Erasmus Medical Center合作開發一個AI應用程式,用於與精神分裂症病例有關的遺傳變異辨識。

不過並非每個聯合學習應用項目都適用於主從式架構。NVIDIA FLARE透過支援其他架構,讓更多的應用項目能夠使用聯合學習。潛在的應用案例包含協助能源公司分析地震和井眼(wellbore)資料、協助製造商最佳化工廠營運,以及幫助金融公司改善詐欺偵測模型。

NVIDIA FLARE可與現有的AI計畫進行整合,包括用於醫學影像的開源MONAI框架。

哈佛醫學院放射學系副教授暨MONAI社群聯合學習工作小組負責人Jayashree Kalapathy博士表示,採用開源型態的NVIDIA FLARE加速聯合學習研究,這對醫療領域尤其重要,在此領域中必須取得多個機構的資料集,而擔心洩漏病患隱私一事讓我們無法分享資料。我們很高興能夠對NVIDIA FLARE有所貢獻,且繼續與MONAI整合以推動醫學影像研究的發展。

#全域 #聯合 #NVIDIA #學習 #FL