ترجمه فارسی مقاله افزایش دسترسی عادلانه به هوش مصنوعی در سیستم مراقبت مسکن و بی خانمانی از طریق آموزش فدرال

چکیده

The top priority of a Housing and Homelessness System of Care (HHSC) is to connect people experiencing homelessness to supportive housing. An HHSC typically consists of many agencies serving the same population. Information technology platforms differ in type and quality between agencies, so their data are usually isolated from one agency to another. Larger agencies may have sufficient data to train and test artificial intelligence (AI) tools but smaller agencies typically do not. To address this gap, we introduce a Federated Learning (FL) approach enabling all agencies to train a predictive model collaboratively without sharing their sensitive data. We demonstrate how FL can be used within an HHSC to provide all agencies equitable access to quality AI and further assist human decision-makers in the allocation of resources within HHSC. This is achieved while preserving the privacy of the people within the data by not sharing identifying information between agencies without their consent. Our experimental results using real-world HHSC data from Calgary, Alberta, demonstrate that our FL approach offers comparable performance with the idealized scenario of training the predictive model with data fully shared and linked between agencies.

چکیده به فارسی (ترجمه ماشینی)

اولویت اصلی سیستم مراقبت از مسکن و بی خانمانی (HHSC) اتصال افرادی است که بی خانمان را به مسکن حمایتی تجربه می کنند.HHSC به طور معمول شامل بسیاری از آژانس ها است که در همان جمعیت خدمت می کنند.سیستم عامل های فناوری اطلاعات از نظر نوع و کیفیت بین آژانس ها متفاوت است ، بنابراین داده های آنها معمولاً از یک آژانس به آژانس دیگر جدا می شوند.آژانس های بزرگتر ممکن است داده های کافی برای آموزش و آزمایش ابزارهای هوش مصنوعی (AI) داشته باشند ، اما آژانس های کوچکتر به طور معمول اینگونه نیستند.برای پرداختن به این شکاف ، ما یک رویکرد یادگیری فدرال (FL) را معرفی می کنیم که به همه آژانس ها امکان می دهد یک مدل پیش بینی را بطور مشترک و بدون به اشتراک گذاشتن داده های حساس خود آموزش دهند.ما نشان می دهیم که چگونه می توان از FL در یک HHSC استفاده کرد تا همه آژانس ها دسترسی عادلانه به کیفیت هوش مصنوعی را فراهم کند و به تصمیم گیرندگان انسانی در تخصیص منابع در HHSC کمک کند.این امر ضمن حفظ حریم خصوصی افراد در داخل داده ها با عدم اشتراک گذاری اطلاعات بین آژانس ها بدون رضایت آنها حاصل می شود.نتایج تجربی ما با استفاده از داده های HHSC در دنیای واقعی از کلگری ، آلبرتا ، نشان می دهد که رویکرد FL ما عملکرد قابل مقایسه ای را با سناریوی ایده آل آموزش مدل پیش بینی با داده ها کاملاً مشترک و مرتبط بین آژانس ها ارائه می دهد.