Învățarea automată care protejează confidențialitatea (Privacy-Preserving Machine Learning)

Recenzii ale cititorilor

Cartea discută despre importanța protejării confidențialității utilizatorilor în învățarea automată, în special în lumina creșterii reglementărilor. Ea subliniază faptul că nu există o soluție unică și oferă diverse studii de caz și abordări pentru rezolvarea problemelor legate de confidențialitate.

Cartea oferă o perspectivă valoroasă asupra protecției vieții private în învățarea automată, își susține argumentele cu studii de caz și evidențiază necesitatea unor soluții de confidențialitate adaptate, mai degrabă decât o abordare unică.

Recenzia nu menționează niciun dezavantaj specific, dar ar putea implica o complexitate în punerea în aplicare a diferitelor abordări sau provocări potențiale în echilibrarea confidențialității cu nevoile datelor.

(pe baza a 1 recenzii ale cititorilor)

Titlul original:

Privacy-Preserving Machine Learning

Conținutul cărții:

Păstrați datele sensibile ale utilizatorilor în siguranță fără a sacrifica performanța și acuratețea modelelor dvs. de învățare automată.

În învățarea mecanică care protejează confidențialitatea, veți învăța:

⬤ considerații privind confidențialitatea în învățarea automată.

⬤ Tehnicile diferențiale de confidențialitate pentru învățarea automată.

⬤ Generarea de date sintetice care protejează confidențialitatea.

⬤ Tehnologii de îmbunătățire a confidențialității pentru aplicațiile de data mining și baze de date.

⬤ Confidențialitatea compresivă pentru învățarea automată.

Privacy-Preserving Machine Learning este un ghid cuprinzător pentru evitarea încălcării securității datelor în proiectele dumneavoastră de învățare automată. Vă veți familiariza cu tehnicile moderne de îmbunătățire a confidențialității, cum ar fi confidențialitatea diferențială, confidențialitatea compresivă și generarea de date sintetice. Bazat pe ani de cercetare în domeniul securității cibernetice finanțată de DARPA, inginerii ML de toate nivelurile de calificare vor beneficia de pe urma încorporării acestor practici de păstrare a confidențialității în dezvoltarea modelelor lor. Când veți termina de citit, veți putea crea sisteme de învățare automată care păstrează confidențialitatea utilizatorului fără a sacrifica calitatea datelor și performanța modelului.

Achiziționarea cărții tipărite include o carte electronică gratuită în format PDF, Kindle și ePub de la Manning Publications.

Despre tehnologie

Aplicațiile de învățare automată au nevoie de cantități masive de date. Depinde de dvs. să păstrați confidențialitatea și securitatea informațiilor sensibile din aceste seturi de date. Păstrarea confidențialității are loc în fiecare punct al procesului ML, de la colectarea și ingestia datelor până la dezvoltarea și implementarea modelului. Această carte practică vă învață abilitățile de care veți avea nevoie pentru a vă securiza conductele de date de la un capăt la altul.

Despre carte

Privacy-Preserving Machine Learning explorează tehnicile de păstrare a confidențialității prin cazuri reale de utilizare în recunoașterea facială, stocarea datelor în cloud și multe altele. Veți afla despre implementările practice pe care le puteți implementa acum, provocările viitoare legate de confidențialitate și cum să adaptați tehnologiile existente la nevoile dvs. Noile dvs. abilități se bazează pe un proiect complet de platformă de date de securitate pe care îl veți dezvolta în capitolul final.

Ce este în interior

⬤ Tehnicile de confidențialitate diferențială și compresivă.

⬤ Privacy pentru estimarea frecvenței sau a mediei, clasificatorul naive Bayes și învățarea profundă.

⬤ Generarea de date sintetice care protejează confidențialitatea.

⬤ Confidențialitate sporită pentru aplicații de extragere a datelor și baze de date.

Despre cititor

Pentru ingineri și dezvoltatori de machine learning. Exemple în Python și Java.

Despre autor

J. Morris Chang este profesor la University of South Florida. Proiectele sale de cercetare au fost finanțate de DARPA și DoD. Di Zhuang este inginer de securitate la Snap Inc. Dumindu Samaraweera este profesor asistent de cercetare la University of South Florida. Editorul tehnic al acestei cărți, Wilko Henecka, este inginer software senior la Ambiata, unde construiește software care protejează confidențialitatea.

Tabla de conținut

PARTEA 1 - ELEMENTELE DE BAZĂ ALE ÎNVĂȚĂRII AUTOMATE CU CONFIDENȚIALITATE DIFERENȚIALĂ

1 Considerații privind confidențialitatea în învățarea automată.

2 Confidențialitatea diferențială pentru învățarea automată.

3 Concepte avansate de confidențialitate diferențială pentru învățarea automată.

PARTEA 2 - CONFIDENȚIALITATEA DIFERENȚIALĂ LOCALĂ ȘI GENERAREA DE DATE SINTETICE

4 Confidențialitatea diferențială locală pentru învățarea automată.

5 Mecanisme LDP avansate pentru învățarea automată.

6 Generarea de date sintetice care păstrează confidențialitatea.

PARTEA 3 - CREAREA DE APLICAȚII DE ÎNVĂȚARE AUTOMATĂ CU CONFIDENȚIALITATE GARANTATĂ

7 Tehnici de extragere a datelor cu prezervarea confidențialității.

8 Gestionarea și operarea datelor care protejează confidențialitatea.

9 Confidențialitatea compresivă pentru învățarea automată.

10 Punem totul cap la cap: Proiectarea unei platforme cu confidențialitate consolidată (DataHub)