Zurück zur Übersicht
Das Verfahren für sogenanntes federated unlearning soll es ermöglichen, Daten eines ausscheidenden Partners aus einem dezentral trainierten KI-Modell zu entfernen, ohne das System komplett neu aufzusetzen. Für Unternehmen in kooperativen KI-Projekten könnte das die Datenkontrolle deutlich vereinfachen.
Fraunhofer ISST und Fujitsu Research haben ein Verfahren für sogenanntes federated unlearning vorgestellt.
Damit lassen sich Daten eines ausscheidenden Partners gezielt aus einem dezentral trainierten KI-Modell entfernen. In vielen Fällen entfällt dadurch das aufwendige vollständige Neutraining des Systems.
Der Ansatz richtet sich vor allem an kooperative KI-Projekte, in denen Datenhoheit und Vertraulichkeit eine zentrale Rolle spielen. Für Unternehmen, die Modelle gemeinsam trainieren und später wieder sauber trennen müssen, ist das praktisch relevant.
Der Kommentarbereich wird geladen, sobald du ihn erreichst.
Weiterlesen
Das US-Unternehmen trainierte Periodic Neon mit eigenen Labordaten und nutzt es nach eigenen Angaben zur Analyse von Röntgenbeugungsdaten. Die Ergebnisse stammen bislang aus internen Tests und sind nicht unabhängig bestätigt.
Der AlphaGenome Atlas prognostiziert die molekularen Auswirkungen möglicher Einzelbuchstabenänderungen im menschlichen Genom. Die Plattform soll Forschenden helfen, krankheitsrelevante Varianten zu priorisieren, liefert aber keine klinisch validierten Diagnosen.
OpenAI zufolge zeigt ein internes System, dass die dreidimensionalen Navier-Stokes-Gleichungen in endlicher Zeit eine Singularität entwickeln können. Der Beweis wurde formalisiert und im Beweisassistenten Lean geprüft, muss sich aber noch einer unabhängigen mathematischen Prüfung stellen.
Der AlphaGenome Atlas prognostiziert die molekularen Auswirkungen von rund neun Milliarden möglichen Einzelbuchstaben-Veränderungen im menschlichen Genom. Forschende sollen genetische Varianten damit schneller priorisieren und ihre möglichen Auswirkungen auf biologische Prozesse einschätzen können.