SMiLe untersucht unter welchen Voraussetzungen Lösungen, bei denen homomorphe Verschlüsselung zum Einsatz kommt, dazu geeignet sind das Potenzial von sensiblen Daten für maschinelles Lernen nutzbar zu machen. Die Weiter-entwicklung von relevanten Softwarekomponenten steht genauso im Mittelpunkt des Projekts wie das Zugänglichmachen von erforderlichem Know-how. Das Potenzial des Verfahrens für maschinelles Lernen wird anhand von zwei Anwendungsfällen bewertet, die sich mit Mitarbeitersegmentierung bzw. vorausschauender Wartung befassen. Im Rahmen des Projekts werden sowohl technische als auch soziale, rechtliche und wirtschaftliche Fragen behandelt. Lösungsansätze werden nicht nur hinsichtlich ihrer Analysefähigkeiten, Leistung und Skalierbarkeit, sondern auch im Hinblick auf ihre Kosteneffizienz, Transparenz und Benutzerfreundlichkeit bewertet. Die Vor- und Nachteile des maschinellen Lernens auf homomorph verschlüsselten Daten werden mit alternativen Ansätzen verglichen, die auf synthetischen Daten, Transfer Learning, Secure Multi-Party Computation oder Differential Privacy basieren. …

Quelle / Link: SMiLe: Secure Machine Learning Applications with Homomorphically Encrypted Data

Weitere Informationen:

Homomorphe Verschlüsselung für (pseudo-)anonymisierten Datenaustausch