Federated Learning fuer einen multi-zentrischen MRT-Datensatz
Übersicht
Worum es bei diesem Projekt geht.
Du simulierst Federated Learning mit Flower oder PySyft auf 3 simulierten Standorten (rund 200 MRT-Volumen pro Standort, BraTS-aehnlicher Datensatz). Trainiere ein 3D-U-Net mit FedAvg (Federated Averaging — Mittelwertbildung der Standort-Modellgewichte) und vergleiche gegen: (1) ein zentralisiertes Modell auf allen Daten gemeinsam, (2) ein lokales Modell pro Standort. Berichte Dice-Score pro Standort und global. Diskutiere Konvergenz, Heterogenitaet und Datenschutz-Implikationen. Liefere Notebook + 6-seitige wissenschaftliche Notiz.
Das Briefing
Was Du tust und was Du zeigst.
Vergleiche Federated Learning gegen zentralisiertes und lokales Training fuer Hirntumor-Segmentierung in einem 3-Standort-Setup.
Earning criteria — what you'll demonstrate
- Federated Learning mit FedAvg methodisch sauber implementieren
- Trade-off zwischen Federated und zentralisiertem Training messen
- Heterogenitaet zwischen Standorten als zentrale FL-Herausforderung verstehen
- Datenschutz-Aspekte (Modell-Inversion, Differential Privacy) wissenschaftlich diskutieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML Researcher
Federated Learning fuer medizinische Bildgebung ist ein direkter Forschungs-Treiber in EU-Verbundprojekten und MedTech-Konsortien.
Dieses Projekt schärft
- federated-learning
- medical-image-segmentation
- privacy-preserving-ml
Research Scientist
Wissenschaftliche Notizen auf Horizon-Europe-Niveau zu verfassen ist Senior-Research-Scientist-Disziplin in akademisch-industriellen Konsortien.
Dieses Projekt schärft
- federated-learning
- u-net
- privacy-preserving-ml
AI Safety Researcher
Datenschutz-Aspekte (Modell-Inversion, Differential Privacy) wissenschaftlich zu diskutieren ist eine zentrale AI-Safety-Disziplin in Healthcare-FL.
Dieses Projekt schärft
- privacy-preserving-ml
- federated-learning
- deep-learning
Noch eine Sache