Comment assurer la confidentialité des données dans l’apprentissage automatique?

Application du chiffrement homomorphe en apprentissage automatique

EN COURS

Comme la plupart des systèmes d’apprentissage automatique sont alimentés par des données sensibles et personnelles, les questions liées à la sécurité des données et à la préservation de la vie privée sont essentielles dans ce domaine. Cependant, il peut être difficile ou impossible d’apprendre un modèle sur des données cryptées de façon efficace. 

Ce type de problème peut être résolu en utilisant le chiffrement homomorphe, une méthode qui permet à quiconque de calculer sur des données cryptées sans avoir besoin de les décrypter. L’objectif principal de ce projet est de développer une boîte à outils de chiffrement homomorphe pour la construction d’algorithmes d’apprentissage automatique sur des données cryptées. Ceci pourrait être réalisé en adaptant des schémas homomorphes existants ou en développant de nouvelles approches à ce problème en se basant sur le chiffrement homomorphe. En commençant par des algorithmes d’apprentissage simples, comme les réseaux de neurones et les arbres de décision, nous étendrons ensuite ces techniques à des applications distribuées comme l’apprentissage fédéré.

Équipe du projet

Jeux de données utilisés pour les expériences

Ensemble de données UCI classique

Équipe du projet