Aufbau von Pipelines für maschinelles Lernen

Kapitel 14. Datenschutz für maschinelles Lernen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel stellen wir einige Aspekte des Datenschutzes vor, die sich auf Pipelines für maschinelles Lernen beziehen. Datenschutzgerechtes maschinelles Lernen ist ein sehr aktiver Forschungsbereich, der gerade erst beginnt, in TensorFlow und andere Frameworks integriert zu werden. Wir erklären einige der Prinzipien, die hinter den derzeit vielversprechendsten Techniken stehen, und zeigen einige praktische Beispiele, wie sie in eine Pipeline für maschinelles Lernen integriert werden können.

In diesem Kapitel werden wir drei Hauptmethoden für datenschutzgerechtes maschinelles Lernen behandeln: differentielle Privatsphäre, föderiertes Lernen und verschlüsseltes maschinelles Lernen.

Fragen des Datenschutzes

Beim Datenschutz geht es um Vertrauen und die Begrenzung der Offenlegung von Daten, die man lieber für sich behalten möchte. Es gibt viele verschiedene Methoden für datenschutzgerechtes maschinelles Lernen, und um zwischen ihnen zu wählen, solltest du versuchen, die folgenden Fragen zu beantworten:

• Vor wem willst du die Daten geheim halten?

• Welche Teile des Systems können privat sein, und welche können der Welt offengelegt werden?

• Wer sind die vertrauenswürdigen Parteien, die die Daten einsehen können?

Die Antworten auf diese Fragen helfen dir zu entscheiden, welche der in diesem Kapitel ...