11、新冠检测与文档信息提取技术：ViT - FL与HYCEDIS架构解析

新冠检测与文档信息提取技术：ViT - FL与HYCEDIS架构解析

在当今科技领域，人工智能在医疗和文档处理等多个领域发挥着至关重要的作用。本文将深入探讨两个重要的研究方向：基于ViT的联邦学习（FL）技术在新冠检测中的应用，以及用于文档智能系统的混合置信引擎HYCEDIS。

基于ViT的FL技术助力新冠检测

在新冠疫情期间，准确快速地检测新冠病例对于疫情防控至关重要。传统的基于卷积神经网络（CNN）的集中式学习在处理医疗数据时存在患者隐私数据共享和集中化的问题。而基于视觉Transformer（ViT）的联邦学习（FL）系统为解决这一问题提供了新的思路。

模型对比分析

研究人员对提出的模型与现有模型在不同的新冠数据集上进行了比较分析，具体结果如下表所示：
| 方法 | 数据集 | 精度（%） | 灵敏度（%） | 准确率（%） |
| — | — | — | — | — |
| Toraman等 [28] | COVID - 1050 | 91.60 | 96 | 97.24 |
| | Non - COVID - 1050 | | | |
| Wang等 [31] | COVID - 266 | 98.9 | 94 | 93.3 |
| | Non - COVID - 92 | | | |
| Feki等 [10] | COVID - 108 | 95.89 | 98.11 | 97 |
| | Non - COVID - 108 | | | |
| 提出的方法 | COVID - 1989 | 97.8 | 98.1 | 97.38 |
| | No