KI News: Kurz und klar.

Ein neues Forschungsprojekt demonstriert, wie das Federated Proximal Optimization (FedProx)-Verfahren die Vorhersagegenauigkeit bei Herzkrankheiten verbessern kann, ohne dass sensible Patientendaten zwischen Krankenhäusern ausgetauscht werden müssen. Durch die Nutzung von Federated Learning lassen sich Modelle gemeinsam trainieren, während die Daten lokal bleiben – ein entscheidender Vorteil im Kontext von HIPAA und GDPR.

Mit der rasanten Verbreitung von Endgeräten und dem damit einhergehenden Datenanstieg stehen herkömmliche Machine‑Learning‑Modelle vor enormen Herausforderungen. Besonders in ressourcenbeschränkten und sicherheitskritischen Umgebungen, wie sie im Internet der Dinge (IoT) vorkommen, sind diese Probleme deutlich spürbar.

Mit dem raschen Ausbau von Low‑Earth‑Orbit‑Satelliten zu Hunderte und Tausende von Raumfahrzeugen wird die Notwendigkeit für verteiltes maschinelles Lernen an Bord immer dringlicher. Die begrenzte Downlink‑Bandbreite erfordert, dass die Datenverarbeitung vor Ort stattfindet, sodass Satelliten ihre Modelle gemeinsam trainieren können.

In der medizinischen Forschung eröffnet Federated Learning (FL) neue Möglichkeiten, Modelle auf dezentralen Daten zu trainieren, ohne Patientendaten zu zentralisieren. Durch die Kombination mit Differential Privacy (DP) erhält man formale Datenschutzgarantien, doch entsteht ein Spannungsfeld zwischen Privatsphäre und klinischer Nützlichkeit – ein Problem, das durch die häufig auftretende Klassenungleichheit in medizinischen Datensätzen noch verschärft wird.