PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Bak, M.* ; Madai, V.I.* ; Celi, L.A.* ; Kaissis, G. ; Cornet, R.* ; Maris, M.* ; Rueckert, D.* ; Buyx, A.* ; McLennan, S.*

Federated learning is not a cure-all for data ethics.

Nat. Mach. Intell. 6, 370–372 (2024)
Verlagsversion DOI
Closed
Open Access Green möglich sobald Postprint bei der ZB eingereicht worden ist.
Although federated learning is often seen as a promising solution to allow AI innovation while addressing privacy concerns, we argue that this technology does not fix all underlying data ethics concerns. Benefiting from federated learning in digital health requires acknowledgement of its limitations.
Altmetric
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Journalartikel
Dokumenttyp Letter to the Editor
Sprache englisch
Veröffentlichungsjahr 2024
HGF-Berichtsjahr 2024
ISSN (print) / ISBN 2522-5839
e-ISSN 2522-5839
Zeitschrift Nature machine intelligence
Quellenangaben Band: 6, Heft: , Seiten: 370–372 Artikelnummer: , Supplement: ,
Verlag Springer
Verlagsort [London]
Begutachtungsstatus Peer reviewed
Institut(e) Institute for Machine Learning in Biomed Imaging (IML)
POF Topic(s) 30205 - Bioengineering and Digital Health
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-507100-001
DOI 10.1038/s42256-024-00813-x
Scopus ID 85188073856
Erfassungsdatum 2024-05-15
[➜Korrektur melden]