Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Notoriété 7 %Ce projet propose un cadre bayésien pour l'assimilation de jeux de données multi-vues et hétérogènes dans un contexte fédéré. Il permet de modéliser la variabilité entre plusieurs ensembles de données distribués tout en préservant la confidentialité. Les applications visent notamment l'analyse de données médicales, comme illustré dans l'étude sur la maladie d'Alzheimer, bien que le jeu de données réel ne soit pas partagé pour des raisons de confidentialité.
- Fed-BioMed est une plateforme open source dédiée à la recherche médicale utilisant des approches décentralisées pour l'analyse statistique et l'apprentissage automatique. Elle permet aux chercheurs de collaborer en partageant des données biomédicales de manière sécurisée et conforme à la confidentialité, tout en entraînant des modèles d'IA sans centraliser les données. Le projet s'appuie sur des technologies comme PyTorch et Scikit-learn pour déployer des analyses fédérées dans des applications réelles.
- Ce projet vise à faciliter l'analyse et le traitement de données médicales hétérogènes dans le cadre d'un atelier collaboratif. Il propose des outils pour générer, transformer et visualiser des jeux de données, notamment des images médicales synthétiques. L'objectif est de promouvoir l'apprentissage fédéré pour préserver la confidentialité des données tout en permettant des analyses collaboratives entre différents acteurs du domaine de la santé.
- Notoriété 7 %Ce projet propose une session pratique dédiée à l'apprentissage fédéré avec le logiciel Fed-BioMed. Il permet aux participants de configurer un réseau de nœuds, d'ajouter des jeux de données, et d'exécuter des expériences collaboratives. Les utilisateurs peuvent simuler des environnements distribués pour analyser des données médicales tout en préservant la confidentialité. Les sessions sont conçues pour des formations ou des ateliers techniques.
- Ce projet vise à promouvoir l'apprentissage fédéré et l'analyse de données médicales hétérogènes dans le domaine de la santé. Il permet aux chercheurs et professionnels de collaborer en partageant des notebooks Jupyter, facilitant ainsi l'exploration de modèles d'intelligence artificielle tout en préservant la confidentialité des données. Le projet s'inscrit dans un cadre éducatif et scientifique pour former aux enjeux des données de santé.
5 initiatives
10