FLORA: Federated Learning Ovulation Tracking App with Reward System

Ημερομηνία Έναρξης: 01/07/2024
Ημερομηνία Λήξης: 31/03/2025
Χρηματοδότηση: NGI Trustchain Open Call
Επιστημονικός Υπεύθυνος: Εφραιμίδης Παύλος

Το FLORA είναι μια καινοτόμος εφαρμογή παρακολούθησης του κύκλου περιόδου που αξιοποιεί την ομοσπονδιακή μάθηση (Federated Learning, FL) για τη βελτίωση του απορρήτου των χρηστών. Η προτεινόμενη προσέγγιση διασφαλίζει ότι τα δεδομένα παραμένουν στις συσκευές των χρηστών, ενώ παράλληλα επιτρέπει τη συλλογική εκπαίδευση μοντέλων μηχανικής μάθησης.

Το FLORA θα προσφέρει ακριβείς προβλέψεις για την ημερομηνία ωορρηξίας και εξατομικευμένες γνώσεις για την υγεία χρησιμοποιώντας τεχνητή νοημοσύνη. Για την ενίσχυση της ασφάλειας, χρησιμοποιούνται πρόσθετοι μηχανισμοί διατήρησης της ιδιωτικής ζωής. Η πλήρως ομομορφική κρυπτογράφηση (fully homomorphic encryption) εφαρμόζεται κατά τη φάση της συγκέντρωσης μοντέλων για την προστασία των δεδομένων χρήστη από πιθανές παραβιάσεις, ενώ η τοπική διαφορική ιδιωτικóτητα (Local Differential Privacy, LDP) ενσωματώνεται για να διασφαλιστεί το απόρρητο των δεδομένων από απειλές που βασίζονται σε μοντέλα. Επιπλέον, το FLORA αξιοποιεί την τεχνολογία blockchain για να δημιουργήσει ένα σύστημα συναίνεσης. Αυτό το σύστημα επαληθεύει τη συγκατάθεση κάθε χρήστη για κοινή χρήση δεδομένων και αποτρέπει μη εξουσιοδοτημένες αλλαγές. Το blockchain χρησιμεύει επίσης ως ένα αποθετήριο για την αποθήκευση εκδόσεων μοντέλων μηχανικής μάθησης που δημιουργούνται κατά τη διαδικασία ομοσπονδιακής μάθησης. Τέλος, για την αναγνώριση και την παροχή κινήτρων, το FLORA εισάγει ένα σύστημα ανταμοιβής, με την χρήση token, για χρήστες που συνεισφέρουν μοντέλα ή δεδομένα ανάλογα με τις συνεισφορές τους.

Ο απώτερος στόχος του έργου είναι η ανάπτυξη μιας εφαρμογής για κινητά προσανατολισμένη στον χρήστη για ακριβή παρακολούθηση της γυναικείας περιόδου με απόλυτο έλεγχο των δεδομένων, με ταυτόχρονα ιδιότητες τεχνητής νοημοσύνης. Η λύση αποδίδει ύψιστη σημασία στη διασφάλιση του απορρήτου των χρηστών και της διαφάνειας της μηχανικής μάθησης σε εφαρμογές υγείας.

Συνεργάτες