Menu Expand
  1. Subjects (Books)
  2. Law
  3. Laws of specific jurisdictions & specific areas of law
  4. IT & Communications law / Postal laws & regulations
  5. Data protection law
  6. Digital Health und Recht
  7. pp. 263–284

BOOK CHAPTER

Cite BOOK Chapter

Style
Baumbach, J., Kazemi Majdabadi, M., Saak, C., Bakhtiari, M., Probul, N. (2024). 'Föderiertes Lernen: ein Hilfsmittel zur datenschutzkonformen Forschung in der Biomedizin und darüber hinaus' In G. Buchholtz, L. Hering, (Eds.), Digital Health und Recht (1st ed., pp. 263-284)
Baumbach, Jan Kazemi Majdabadi, Mohammad Mahdi Saak, Christina Caroline Bakhtiari, Mohammad and Probul, Niklas. "Föderiertes Lernen: ein Hilfsmittel zur datenschutzkonformen Forschung in der Biomedizin und darüber hinaus". Digital Health und Recht, edited by Gabriele Buchholtz and Laura Hering, Duncker & Humblot, 2024, pp. 263-284.
Baumbach, J, Kazemi Majdabadi, M, Saak, C, Bakhtiari, M and Probul, N. (2024): 'Föderiertes Lernen: ein Hilfsmittel zur datenschutzkonformen Forschung in der Biomedizin und darüber hinaus', in Buchholtz, G, Hering, L (eds.). Digital Health und Recht. Duncker & Humblot, pp. 263-284.
Format
Download

Föderiertes Lernen: ein Hilfsmittel zur datenschutzkonformen Forschung in der Biomedizin und darüber hinaus

Baumbach, Jan | Kazemi Majdabadi, Mohammad Mahdi | Saak, Christina Caroline | Bakhtiari, Mohammad | Probul, Niklas

In: Digital Health und Recht (2024), pp. 263–284

Read now Download (PDF)

Additional Information

Chapter Details

Publisher Name
Duncker & Humblot
DOI
https://doi.org/10.3790/978-3-428-58889-3.2024.263
Language
German
Pages
22

Author Details

Jan Baumbach

Jan Baumbach, Dr. rer. nat., Professor, Leiter des Institute for Computational Systems Biology, Universität Hamburg

Mohammad Mahdi Kazemi Majdabadi

Mohammad Mahdi Kazemi Majdabadi, Wissenschaftlicher Mitarbeiter, Institute for Computational Systems Biology, Universität Hamburg

Christina Caroline Saak

Christina Caroline Saak, PhD, Science Managerin, Institute for Computational Systems Biology, Universität Hamburg

Mohammad Bakhtiari

Mohammad Bakhtiari, Wissenschaftlicher Mitarbeiter, Institute for Computational Systems Biology, Universität Hamburg

Niklas Probul

Niklas Probul, Wissenschaftlicher Mitarbeiter, Institute for Computational Systems Biology, Universität Hamburg

References

  1. Brauneck, Alissa/Schmalhorst, Louisa/Kazemi Majdabadi, Mohammad Mahdi/Bakhtiari, Mohammad/Völker, Uwe/Saak, Christina Caroline/Baumbach, Jan/Baumbach, Linda/Buchholtz, Gabriele: Federated machine learning in data-protection-compliant research, Nature Machine Intelligence, 5 (2023), S. 2.  Google Scholar
  2. Hao, Meng/Li, Hongwei/Xu, Guowen/Liu, Sen/Yang, Haomiao: Towards Efficient and Privacy-Preserving Federated Deep Learning, ICC 2019–2019 IEEE International Conference on Communications (ICC), 2019, S. 1.  Google Scholar
  3. Hulsen, Tim/Jamuar, Saumya/Moody, Alan R./Karnes, Jason H./Varga, Orsolya/Hedensted, Stine/Spreafico, Roberto/Hafler, David A./McKinney, Eoin F.: From Big Data to Precision Medicine, Frontiers Medicine, 6 (2019), S. 34.  Google Scholar
  4. Kairouz, Peter/McMahan, Brendan/Avent, Brendan/Bellet, Aurelien/Bennis, Mehdi/Bhagoji, Arjun Nitin/Bonawitz, Kallista/Charles, Zachary/Cormode, Graham/Cummings, Rachel/D’Oliveira, Rafael/Eichner, Hubert/Rouayheb, Salim El/Evans, David/Gardner, Josh/Garrett, Zachary/Gascón, Adria/Ghazi, Badih/Gibbons, Phillip B./Gruteser, Marco/Harchaoui, Zaid/He, Chaoyang/He, Lie/Huo, Zhouyuan/Hutchinson, Ben/Hsu, Justin/Jaggi, Martin/Javidi, Tara/Joshi, Gauri/Khodak, Mikhail/Konecny´, Jakub/Korolova, Aleksandra/Koushanfar, Farinaz/Koyejo, Sanmi/Lepoint, Tancrede/Liu, Yang/Mittal, Prateek/Mohri, Mehryar/Nock, Richard/Özgür, Ayfer/Pagh, Ayfer/Qi, Hang/Ramage, Daniel/Raskar, Ramesh/Raykova, Mariana/Song, Dawn/Song,Weikang/Stich, Sebastian U./Sun, Ziteng/Suresh, Ananda Theertha/Tramèr, Florian/Vepakomma, Praneeth/Wang, Juanyu/Xiong, Li/Xu, Zheng/Yang, Qiang/Yu, Felix X./Yu, Han/Zhao, Sen: Advances and Open Problems in Federated Learning, Foundations and Trends in Machine Learning, 14 (2021), S. 1.  Google Scholar
  5. Matschinske, Julian/Späth, Julian/Bakhtiair, Mohammad/Probul, Niklas/Majdabadi, Mohammad M.K./Nasirigerdeh, Reza/Torkzadehmahani, Reihaneh/Hartebrodt, Anne/Orbán, Balazs-Attila/Fejér, Sándor-József/Zolotareva, Olga/Das, Supratim/Baumbach, Linda/Pauling, Josch K./Tomasˇevic´, Olivera/Bihari, Béla/Bloice, Marcus/Donner, Nina C./Fdhila, Walid/Frisch, Tobias/Hauschild, Anne-Christin/Heider, Dominik/Holzinger, Andreas/Hötzendorfer, Walter/Hospes, Jan/Kacprowski, Tim/Kastelitz, Markus/List, Markus/Mayer, Rudolf/Moga, Mónika/Müller, Heimo/Pustozerova, Anastasia/Röttger, Richard/Saak, Christina C./Saranti, Anna/Schmidt, Harald H./Tschohl, Christof/Wenke, Nina K./Baumbach, Jan: The FeatureCloud Platform for Federated Learning in Biomedicine: Unifired Approach, Journal of Medical Internet Research, 25 (2023), e42621.  Google Scholar
  6. McMahan, Brendan/Moore, Eider/Ramage, Daniel/Hampson, Seth/Arcas, Blaise Aguera y: Communication-Efficient Learning of Deep Networks from Decentralized Data, Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, 54 (2017), S. 1273.  Google Scholar
  7. Nasirigerdeh, Reza/Torkzadehmahani, Reihaneh/Matschinske, Julian/Frisch, Tobias/List, Markus/Späth, Julian/Weiss, Stefan/Völker, Uwe/Pitkänen, Esa/Heider, Esa/Wenke, Nina K./Kaissis, Georgios/Rueckert, Daniel/Kacprowski, Tim/Baumbach, Jan: sPLINK: a hybrid federated tool as a robust alternative to meta-analysis in genome-wide association studies, Genome Biology, 23 (2022), S. 1.  Google Scholar
  8. Ogundokun, Roseline Oluwaseun/Misra, Sanjay/Maskeliunas, Rytis/Damasevicius, Robertas: A Review on Federated Learning and Machine Learning Approaches: Categorization, Application Areas, and Blockchain Technology, Information, 13 (2022), S. 263.  Google Scholar
  9. Silva, Santiago/Gutman, Boris/Romero, Eduardo/Thompson, Paul M./Altmann, Andre/Lorenzi, Marco/ADNI/PPMI/UK Biobank: Federated Learning in Distributed Medical Databases: Meta-Analysis of Large-Scale Subcortical Brain Data, 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019), 2019, S. 270.  Google Scholar
  10. Späth, Julian/Matschinske, Julian/Kamanu, Frederick K./Murphy, Sabina A./Zolotareva, Olga/Bakhtiari, Mohammad/Antman, Elliott M./Loscalzo, Joseph/Brauneck, Alissa/Schmalhorst, Louisa/Buchholtz, Gabriele/Baumbach, Jan: Privacy-aware multi-institutional time-to-event studies, PLOS Digit Health, 1 (2022), S. 1.  Google Scholar
  11. Torkzadehmahani, Reihaneh/Nasirigerdeh, Reza/Blumenthal, David B./Kacprowski, Tim/List, Markus/Matschinske, Julian/Späth, Julian/Wenke, Nina Kerstin/Baumbach, Jan: Privacy-Preserving Artificial Intelligence Techniques in Biomedicine, Methods of Information in Medicine, 61 (2022), S. e12.  Google Scholar
  12. Yang, Qiang/Liu, Yang/Chen, Tianjian/Tong, Yongxin: Federated Machine Learning: Concept and Applications, ACM Transactions on Intelligent Systems and Technology, 10 (2019), S. 1.  Google Scholar
  13. Zhao, Chuan/Zhao, Shengnan/Zhao, Minghao/Chen, Zhenxiang/Gao, Chong-Zhi/Li, Hongwei/Tan, Yu-an: Secure Multi-Party Computation: Theory, practice and applications, Information Sciences, 476 (2019), S. 357.  Google Scholar
  14. Ziller, Alexander/Trask, Andrew/Lopardo, Antonio/Szymkow, Benjamin/Wagner, Bobby/Bluemke, Emma/Nounahon, Jean-Mickael: PySyft: A Library for Easy Federated Learning, in: Rehman/Gaber, Federated Learning Systems: Towards Next-Generation AI, 2021, S. 111.  Google Scholar
  15. Zolotareva, Olga/Nasirigerdeh, Reza/Matschinske, Julian/Torkzadehmahani, Reihaneh/Bakhtiari, Mohammad/Frisch, Tobias/Späth, Julian/Blumenthal, David B./Abbasinejad, Amir/Tieri, Paolo/Kaissis, Georgios/Rückert, Daniel/Wenke, Nina K./List, Markus/Baumbach, Jan: Flimma: a federated and privacy-aware tool for differential gene expression analysis, Genome Biology, 22 (2021), S. 1.  Google Scholar

Preview

Table of Contents

Section Title Page Action Price
Jan Baumbach/Mohammad Mahdi Kazemi Majdabadi/Christina Caroline Saak/Mohammad Bakhtiari/Niklas Probul: Föderiertes Lernen: ein Hilfsmittel zur datenschutzkonformen Forschung in der Biomedizin und darüber hinaus 263
I. Einleitung 263
II. Föderiertes Lernen im Überblick 264
III. Anwendungsbereiche des föderierten Lernens 268
1. Mobile Anwendungen 268
2. Industrietechnik 269
3. Gesundheitswesen und biomedizinische Forschung 269
4. Finanzwesen 270
IV. Herausforderungen des föderierten Lernens 271
1. Heterogenität der Geräte und Daten 271
2. Modellsynchronisation 272
3. Skalierbarkeit 272
4. Kommunikationseffizienz 272
5. Datenschutz und Sicherheit 273
V. Potenzielle datenschutzrechtliche Gefahren beim föderierten Lernen 273
VI. Techniken zur Verbesserung der Privatsphäre 275
1. Differential Privacy 275
2. Secure Multiparty Computation (SMPC) 276
3. Homomorphe Verschlüsselung (engl. ,homomorphic encryptionˋ) 277
VII. Föderierte Plattformen 278
1. TensorFlow Federated 278
2. PySyft 278
3. FATE (Federated AI Technology Enabler) 279
4. NVIDIA Clara 279
5. FeatureCloud 280
6. FeatureCloud 280
7. Nutzen und App-Entwicklung 281
8. Veröffentlichung von Apps 281
VIII. Schlussbemerkungen 283
Literatur 283

Contact

Duncker & Humblot GmbH Carl-Heinrich-Becker-Weg 9 12165 Berlin, Deutschland T: +49 30 790006-0

Quick Navigation

2024 Duncker & Humblot GmbH

Powered by CloudPublish

We use cookies to ensure that you get the best experience on our website. Learn more about how we use cookies.