在人工智能驱动的学习中，隐私是一个无处不在、无缝数据共享的世界的一大阻碍。在理想的情况下，大量的数据，比如医学成像扫描，可以在全球范围内公开共享，这样机器学习算法就可以从广泛的数据集中获得经验。共享的数据越多，结果越好。
现在，这通常不会发生，包括在隐私至上的医学界。在大多数情况下，医学图像扫描，如脑核磁共振成像，只能停留在机构层面进行分析。结果会被共享，但不是原始的病人扫描数据。
研究人员认为，数据管理方式的转变可以让更多的信息在单个机构之外到达学习算法，这将有利于整个系统。宾夕法尼亚医学院的研究人员提议使用一种名为“联邦学习”的技术，该技术将允许用户在不需要实际交换数据集的情况下训练一个跨多个分散数据源的算法。
联邦学习的工作方式是在许多分散的边缘设备上训练算法，而不是对上载到一台服务器上的数据进行分析。
宾夕法尼亚大学佩雷尔曼医学院(Perelman School of Medicine at The University of Pennsylvania)的讲师斯派里登新闻稿。Bakas是一项关于在医学上使用联合学习的研究的主要作者发表在杂志上科学报告。Bakas说:“传统上，机器学习使用的是来自单一机构的数据，然后很明显，这些模型在来自其他机构的数据上不能很好地发挥作用或概括。”
宾夕法尼亚医学的研究集中在使用联邦学习来设计一个人工智能系统，这将帮助临床医生更好地识别和治疗脑瘤，通过共享脑部核磁共振成像。
据研究人员说，目前的问题是，所有有用的样本数据都是由收集这些数据的机构私人持有的。由该机构在当地进行分析，建立模型。每种模式都可以由其他机构进行研究，但这种模式并不理想，因为当地的情况各不相同。
一个更好的方法，使用联邦人工智能，是创建一个模型——例如，脑瘤检测模型——然后与全球的医院共享这个模型。培训模型不是在机构之间共享数据，而是分配给不同的数据所有者。
例如，在宾夕法尼亚医学院(Penn Medicine)培训的一种模式可以分发到世界各地的医院。然后，医生可以在这个共享模型的基础上进行训练，输入他们自己病人的脑部扫描结果。然后，他们的新模型将被转移到一个中央服务器上。这些模型最终将被调和成一个共识模型，这个模型从每个医院获得了知识，因此在临床上是有用的，”该小组解释说。
可以想象，如果患者数据得到保护，隐私问题得到缓解，而且立法者同意，世界各地的医院都可以参与进来。宾州医学集团正在进行一项跨机构的大规模测试。
研究人员认为，联合学习，也被称为协作学习，将是下一波人工智能。(据说谷歌实现了联邦学习的第一个用例提高预测的键盘。)
宾夕法尼亚医学研究报告的合著者、匹兹堡大学医学院(University of Pittsburgh School of Medicine)放射学副教授瑞夫卡•科伦(Rivka Colen)表示，联邦学习可能创造更多在医疗保健领域使用人工智能的机会。“我认为这是一个巨大的游戏规则改变者，”科伦在新闻稿中说。人工智能将彻底改变这一领域，因为现在，作为一名放射学家，我们所做的大部分工作都是描述性的。通过深度学习，我们能够提取隐藏在这一层数字化图像中的信息。”
共享一个共同的模型，而不是单独的数据，ide可以把自己用于其他应用，例如物联网。例如，康奈尔大学(Cornell University)提出了一个联合学习物联网框架，用于a纸它最近发表。