Model Complexity Reduction for ZKML Healthcare applications
Notice bibliographique
Résumé
Web 3.0 represents the next significant evolution of the internet that embodies the underlying decentralized network architectures, distributed ledgers, and advanced AI capabilities. Though the technologies are maturing rapidly, considerable barriers exist to high-scale adoption. The author discusses the barriers and the mitigations through specific technologies maturing to solve those issues in an earlier paper titled Moving Beyond POCs and Pilots, published in 2023 in Blockchain in Healthcare Today. These include privacy-preserving technologies, off-chain and on-chain design optimizations, and the multi-dimensional approach needed in planning and adopting these technologies. As an extension, this paper discusses one such enabler, zero knowledge machine learning (ZKML), which merges two streams of technology in unique ways to address problems in privacy and the cost of inference. Zero-knowledge proofs (ZKP) allow one party to prove the validity of a statement to another party without revealing any additional information about the statement itself. The ZKML combines the cryptographic principle of ZKP with machine learning (ML) techniques. It is still a maturing technology and needs baselines for applications in global healthcare. In this effort, the authors conceptualize the technical and operational feasibility of using ZKML and implement a reference healthcare implementation using the synthetic International Consortium for Health Outcomes Measurement (ICHOM) in the evaluation phase in a global healthcare setting for high-volume data collection, including patient-reported outcomes. Model complexity reduction is researched and reported for the ICHOM diabetes dataset to advance the usage of ML models in global standards of healthcare data collection in network decentralized architectures for increased data protection and efficiencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,009 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».