شبكة عصبية ضبابية مركزية مفوضة جديدة مع بحث في بنية شبكة عصبية متعددة الأهداف للكشف عن الاستحالة

تم استخدام كشف الاستحالة (ED) على نطاق واسع لتحديد أنواع الأمراض المحتملة ذات المخاطر في الجينوم البشري. يتطلب كشف الاستحالة ذو الدلالة الإحصائية عادةً مجموعة بيانات أكثر شمولاً للكشف عن البوليمورفيزات الاحادية النوكلوتيد المعقدة المرتبطة بالأمراض، ولكن تمتلك المؤسسة الواحدة عمومًا بيانات جينومية محدودة. لذلك، من الضروري جمع بيانات جينومية من مؤسسات متعددة لإجراء الأبحاث معًا. ومع ذلك، فإن المخاوف المتعلقة بالخصوصية والموثوقية تعيق مشاركة بيانات الجينوم الضخمة. لذلك، تقترح هذه الدراسة إطار عمل مفوض جديد للكشف عن الاستحالة مع طريقة الحفاظ على خصوصية perturbation التسلسلي لمعالجة قيود مشاركة البيانات الموزعة (FedED-SegNAS). أولاً، لمعالجة نقص القابلية للتفسير في نماذج التعلم العميق، يتم دمج المنطق الضبابي في الشبكات العصبية التلافيفية (CNNs)، مما يعزز قدرات CNN في تمثيل الغموض في البيانات الجينومية بدقة عالية وقابلية تفسير معقولة. ثانيًا، يتم النظر في استخدام طريقة بحث بنية الشبكة العصبية (NAS) لتحسين البنية العصبية المفوضة. بشكل محدد، اختيار خوارزمية تحسين سرب الجزيئات (PSO) للبحث تلقائيًا عن البنية العصبية المثلى في مراحل مختلفة من التعلم المفوض بناءً على أهداف متعددة متكيفة يقلل من تكلفة الاتصال ويحسن كفاءة الاتصال. علاوة على ذلك، لضمان أمان عملية نقل المعلمات، يتم تصميم طريقة الحفاظ على الخصوصية باضطراب تسلسلي، حيث يتم تجميع تحميل وتنزيل معلمات التعلم المفوض ويت perturb عدد المجموعات بشكل عشوائي بحيث لا يستطيع المهاجم الحصول على النتيجة المقابلة بين عدد المجموعة والمعلمات. وقد تم إثبات عقلانية هذه الطريقة وأمانها. توضح التجارب التي أجريت على مجموعة من مجموعات البيانات تفوق الإطار على طرق الكشف عن الاستحالة الحديثة. يمكن لـ FedED-SegNAS تقليل تعقيد الشبكة مع حماية أمان بيانات الجينوم.