Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
Fed-BioMed: Open, Transparent and Trusted Federated Learning for Real-world Healthcare Applications
2025·6 Zitationen·Studies in computational intelligenceOpen Access
Volltext beim Verlag öffnen6
Zitationen
18
Autoren
2025
Jahr
Abstract
Für dieses Paper ist kein Abstract in der Datenbank hinterlegt.
Abstract beim Verlag einsehenÄhnliche Arbeiten
k-ANONYMITY: A MODEL FOR PROTECTING PRIVACY
2002 · 8.451 Zit.
Calibrating Noise to Sensitivity in Private Data Analysis
2006 · 6.968 Zit.
Deep Learning with Differential Privacy
2016 · 5.759 Zit.
Federated Machine Learning
2019 · 5.734 Zit.
Communication-Efficient Learning of Deep Networks from Decentralized\n Data
2016 · 5.613 Zit.
Autoren
Institutionen
- Institut national de recherche en sciences et technologies du numérique(FR)
- Centre Inria d'Université Côte d'Azur(FR)
- EURECOM(FR)
- Inserm(FR)
- Laboratoire d'imagerie translationnelle en oncologie
- Institut Curie(FR)
- Université Paris-Saclay(FR)
- Institut d'Imagerie Biomédicale(FR)
- Laboratoire National Henri Becquerel(FR)
- Centre Antoine Lacassagne(FR)
- Université Côte d'Azur(FR)
- Centre National de la Recherche Scientifique(FR)
- Institut de Biologie Valrose(FR)
Themen
Privacy-Preserving Technologies in DataArtificial Intelligence in Healthcare and EducationCryptography and Data Security