Veuillez utiliser cette adresse pour citer ce document :
http://dspace1.univ-tlemcen.dz/handle/112/24399
Affichage complet
Élément Dublin Core | Valeur | Langue |
---|---|---|
dc.contributor.author | Korbas Narimene, Fatima Zohra | - |
dc.contributor.author | Bengrine, Rachida | - |
dc.date.accessioned | 2025-01-27T08:52:53Z | - |
dc.date.available | 2025-01-27T08:52:53Z | - |
dc.date.issued | 2024-06-26 | - |
dc.identifier.uri | http://dspace1.univ-tlemcen.dz/handle/112/24399 | - |
dc.description.abstract | Dans cette thèse, les techniques de préservation de la vie privée, en particulier la confidentialité différentielle, sont examinées dans le contexte des informations sensibles sur la santé en utilisant les données sur le cancer du sein comme étude de cas. La discussion commence par un aperçu de l’apprentissage profond et de son application dans des scénarios contemporains. L’objectif principal de la thèse est d’aborder les problèmes de confidentialité associés à l’utilisation des données de santé dans les modèles d’apprentissage automatique. Elle étudie comment le cadre mathématique de la confidentialité différentielle, qui quantifie et limite les risques pour la vie privée, peut permettre l’utilisation de données sur le cancer du sein pour la formation de modèles d’apprentissage profond sans compromettre la confidentialité des patients. La thèse fournit une explication détaillée de la mise en oeuvre de la confidentialité différentielle, en incorporant diverses techniques et formules. Elle présente également une analyse du compromis entre l’utilité et la confidentialité, et évalue la précision des modèles d’apprentissage profond préservant la confidentialité pour les tâches de prédiction du cancer du sein. L’objectif est de contribuer à l’ensemble des connaissances existantes sur l’apprentissage profond préservant la vie privée, en particulier en ce qui concerne l’utilisation éthique des données de santé. | en_US |
dc.language.iso | fr | en_US |
dc.publisher | University of tlemcen | en_US |
dc.relation.ispartofseries | 29 Master Info; | - |
dc.subject | les techniques de préservation,la confidentialité différentielle,le cancer du sein,des scénarios contemporains.les modèles d’apprentissage automatique, | en_US |
dc.title | Differential Privacy in Deep Learning: A Web- Based Prediction Service for Breast Cancer Diagnosis. | en_US |
dc.type | Thesis | en_US |
Collection(s) : | Master chimie |
Fichier(s) constituant ce document :
Fichier | Description | Taille | Format | |
---|---|---|---|---|
Differential_Privacy_in_Deep_Learning_A_Web_Based_Prediction_Service_for_Breast_Cancer_Diagnosis.pdf | 3,83 MB | Adobe PDF | Voir/Ouvrir |
Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.