| KEYWORD |
Apprendimento distribuito sicuro
Riferimenti GUIDO MARCHETTO, ALESSIO SACCO
Gruppi di ricerca DAUIN - GR-03 - COMPUTER NETWORKS GROUP - NETGROUP
Descrizione Le recenti leggi sulla privacy, come il General Data Protection Regulation, hanno reso difficoltosa la condivisione di dati utente tra organizzazioni diverse (ad esempio gli ospedali), con un impatto negativo sulle applicazioni collaborative basate sui dati, come modelli di Machine Learning. Di conseguenza, sono emerse le architetture di apprendimento distribuito, come il federated learning e lo split learning, per aumentare la privacy dei dati, consentendo al contempo l'accesso a grandi insiemi di dati provenienti da utenti di tutto il mondo e da risorse on-line. Anche se federated learning è decisamente interessante per i suoi vantaggi in termini di privacy, alcuni studi hanno mostrato le vulnerabilità di queste architetture di apprendimento distribuito contro gli attacchi alla privacy di tipo black-box e white-box attraverso modelli di addestramento condivisi. Il ruolo di una rete efficiente è chiave per ottenere un modello sicuro ma accurato. In questo progetto, lo studente analizzerà la robustezza delle architetture di apprendimento distribuito contro gli attacchi alla privacy ed esplorerà efficienti misure difensive architetturali, sistemistiche e teoriche.
Scadenza validita proposta 08/02/2025
PROPONI LA TUA CANDIDATURA