План на курса

Введение в машинно обучение с опазване на поверителността

  • Мотивации и рискове в среди с чувствителни данни
  • Обзор на техники за машинно обучение с опазване на поверителността
  • Модели на заплахи и регулаторни разгледи (напр., GDPR, HIPAA)

Federated Learning

  • Концепция и архитектура на федеративно обучение
  • Синхронизация и агрегация клиент-сервър
  • Реализация с PySyft и Flower

Диференциална поверителност

  • Математика на диференциалната поверителност
  • Прилагане на диференциална поверителност в заявяване на данни и обучение на модели
  • Използване на Opacus и TensorFlow Privacy

Безопасно множество от партиции (SMPC)

  • SMPC протоколи и употребителни случаи
  • Криптиращи подходи и подходи на тайно споделяне
  • Безопасни процеси на изчисления с CrypTen или PySyft

Хомоморфно криптиране

  • Пълно vs частично хомоморфно криптиране
  • Закриптирана инференция за чувствителни задачи
  • Практически уроци с TenSEAL и Microsoft SEAL

Приложения и отраслеви случаи на прилагане

  • Поверителност в здравеопазването: федеративно обучение за медицинска ИА
  • Безопасно сътрудничество в финанси: модели на риск и съответствие
  • Случаи на прилагане в отбраната и правителството

Резюме и следващи стъпки

Изисквания

  • Разбиране на принципите на машинен учение
  • Опит с Python и библиотеки за ML (например, PyTorch, TensorFlow)
  • Задълбочено познание на концепциите за защита на данни или киберсигурност е полезно

Целева аудитория

  • Изследователи в областта на AI
  • Екипи за защита на данни и съответствие с правилата за защита на личните данни
  • Инженери по сигурност, работащи в регулирани отрасли
 14 часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории