Análisis y comparativa de modelos de aprendizaje profundo locales frente a modelos federados para la resolución de diferentes tareas de tipo médico

Jerez Ruiz, Laura (2022). Análisis y comparativa de modelos de aprendizaje profundo locales frente a modelos federados para la resolución de diferentes tareas de tipo médico. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. y Sistemas de Telecomunicación (UPM).

Description

Title: Análisis y comparativa de modelos de aprendizaje profundo locales frente a modelos federados para la resolución de diferentes tareas de tipo médico
Author/s:
  • Jerez Ruiz, Laura
Contributor/s:
  • Belmonte Hernández, Alberto
Item Type: Final Project
Degree: Grado en Ingeniería de Tecnologías y Servicios de Telecomunicación
Date: 6 July 2022
Subjects:
Freetext Keywords: ’Aprendizaje Profundo’, ’Aprendizaje federado’, ’Inteligencia Artificial’, ’Modelo Local’, ’Modelo Federado’, ’Datos Médicos’, Pytorch, Flower
Faculty: E.T.S.I. y Sistemas de Telecomunicación (UPM)
Department: Señales, Sistemas y Radiocomunicaciones
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (6MB)

Abstract

Actualmente vivimos en un mundo en el que es muy importante la transmisión, tratamiento y privacidad de los datos en diferentes ámbitos. Un ejemplo de ello, son los datos que se manejan en los hospitales, que necesitan ser clasificados de manera automática, manteniendo su privacidad. Por esta razón, se han empezado a desarrollar arquitecturas de aprendizaje federado, que permiten que cada hospital obtenga un mismo modelo de un servidor, lo mejore aprendiendo con sus propios datos, y lo devuelva al servidor. En el servidor, se podrán aplicar diferentes estrategias, para combinar los modelos entrenados por los datos locales de cada hospital, y así mejorar el modelo compartido. Así todos los datos permanecen en su respectivo hospital y no se almacenan individualizados en el servidor central. El objetivo del trabajo sería la clasificación y predicción de diferentes conjuntos de datos médicos: numéricos, genómicos o imágenes. Para hacer dicha clasificación, vamos a realizar una comparativa mediante un modelo local y la simulación de un modelo federado con datos repartidos en diferentes hospitales. Se harán varios experimentos, realizando distintas modificaciones, como la realización de diferentes particiones del conjunto de datos inicial o mediante la variación de los parámetros que participan en el entrenamiento de las redes neuronales.

More information

Item ID: 71198
DC Identifier: https://oa.upm.es/71198/
OAI Identifier: oai:oa.upm.es:71198
Deposited by: Biblioteca ETSI Telecomunicación
Deposited on: 14 Jul 2022 12:47
Last Modified: 31 Aug 2022 06:04
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM