Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

TED2021-131291B-I00

Financiado

APRENDIZAJE FEDERADO EXPLICABLE CON REDES BAYESIANAS

ESTE PROYECTO SE ENMARCA EN LA TECNOLOGIA DISRUPTIVA DEL APRENDIZAJE AUTOMATICO (AA), CENTRANDOSE EN SUS EFECTOS SOBRE DOS DE LOS DERECHOS FUNDAMENTALES DE LAS PERSONAS: LA PRIVACIDAD DE SUS DATOS EN SU USO POR PARTE DE LOS ALGORI... ver más

01/01/2021

UCLM

111K€

Presupuesto del proyecto: 111K€

Líder del proyecto

UNIVERSIDAD DE CASTILLA-LA MANCHA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 2587

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2021-01-01 No tenemos la información de la convocatoria

0% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

Participantes

UCLM

Lider

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Proyectos interesantes

PID2020-116118GA-I00 APRENDIZAJE FEDERADO PARA PRESERVAR LA PRIVACIDAD DE LOS DAT... 27K€ Cerrado

PID2020-113795RB-C33 COMPROMISE: PRIVACIDAD EN MACHINE LEARNING COLABORATIVO Y DI... 136K€ Cerrado

APRENDIZAJE FEDERADO PARA SECURIZAR DATOS EN... APRENDIZAJE FEDERADO PARA SECURIZAR DATOS EN EL USO DEL DEEP... Rechazado

PID2021-122916NB-I00 INTELIGENCIA ARTIFICIAL EXPLICABLE PARA TOMA DE DECISIONES C... 260K€ Cerrado

TED2021-130624B-C21 APRENDIZAJE FEDERADO CON PROTECCION DE LA PROPIEDAD DE LOS M... 209K€ Cerrado

DIN2019-010876 Modelos de recomendación conscientes de privacidad para inte... 70K€ Cerrado

Líder del proyecto

UNIVERSIDAD DE CASTILLA-LA MANCHA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 2587

Presupuesto del proyecto 111K€

Descripción del proyecto ESTE PROYECTO SE ENMARCA EN LA TECNOLOGIA DISRUPTIVA DEL APRENDIZAJE AUTOMATICO (AA), CENTRANDOSE EN SUS EFECTOS SOBRE DOS DE LOS DERECHOS FUNDAMENTALES DE LAS PERSONAS: LA PRIVACIDAD DE SUS DATOS EN SU USO POR PARTE DE LOS ALGORITMOS DE AA Y EL DERECHO A LA EXPLICACION DE LAS DECISIONES TOMADAS MEDIANTE LOS MODELOS DE IA APRENDIDOS. ESTOS DERECHOS ESTAN RECOGIDOS EN LA LEGISLACION EUROPEA MEDIANTE DISTINTAS DIRECTIVAS O ARTICULOS DEL REGLAMENTO GENERAL DE PROTECCION DE DATOS. ASI, LA DIRECTIVA 2016/679 SE OCUPA DEL TRATAMIENTO DE LOS DATOS DE CARACTER PERSONAL Y DE SU LIBRE CIRCULACION, MIENTRAS QUE LAS DECISIONES AUTOMATICAS RELATIVAS A INDIVIDUOS (ARTICULO 22) DEBEN PROVEER INFORMACION SIGNIFICATIVA SOBRE LA LOGICA USADA PARA TOMAR LA DECISION, LO QUE HA VENIDO A LLAMARSE POSTERIORMENTE EL DERECHO A LA EXPLICACION. EN ESTA PROPUESTA NOS CENTRAMOS EN EL APRENDIZAJE AUTOMATICO FEDERADO (AF), ES DECIR, EN EL SUPUESTO DE QUE LOS DATOS PARA EL APRENDIZAJE DE LOS MODELOS SE PRODUCEN EN DISTINTAS LOCALIZACIONES (NODOS), PERO POR MOTIVOS DE SENSIBILIDAD O PRIVACIDAD DE LOS MISMOS (P.E. CONFIDENCIALIAD) NO PUEDEN SER COMUNICADOS DE UNA LOCALIZACION AL RESTO. EN ESTE MARCO DE TRABAJO EL APRENDIZAJE SE REALIZA DE MANERA FEDERADA, ES DECIR, CADA LOCALIZACION APRENDE UN MODELO LOCAL CON RESPECTO A SUS DATOS, QUE ES COMPARTIDO AL RESTO DE LOCALIZACIONES, NORMALMENTE A TRAVES DE UN NODO CENTRAL. LOS NODOS PUEDEN ENTONCES REFINAR SUS MODELOS A PARTIR DEL CONOCIMIENTO GLOBAL RECIBIDO DEL NODO CENTRAL. ESTE PROCESO DE APRENDIZAJE LOCAL MAS MIGRACION DE MODELOS Y REFINAMIENTO SUELE ITERARSE VARIAS RONDAS, HASTA OBTENER MODELOS DE CALIDAD. UN CASO DE EXITO RECIENTE DE ESTA RECIENTE TECNOLOGIA HA SIDO SU USO POR PARTE DE TRES GRANDES HOSPITALES ESPAÑOLES PARA OBTENER UN MODELO DE DETECCION DE LA COVID-19 QUE MEJORA A LOS MODELOS OBTENIDOS LOCALMENTE POR CADA UNO DE LOS HOSPITALES (HTTPS://BIT.LY/3HOSPITALES). SIN EMBARGO, HASTA AHORA LOS PRINCIPALES DESARROLLOS Y MARCOS DE TRABAJO EN APRENDIZAJE FEDERADO SE HAN CENTRADO EN MODELOS BASADOS EN REDES NEURONALES PROFUNDAS (DEEP LEARNING), MODELOS QUE NO SE CARACTERIZAN POR SU INTERPRETABILIDAD. POR ELLO, EL OBJETIVO PRINCIPAL DE ESTA PROPUESTA ES EL ESTUDIO, DISEÑO, IMPLEMENTACION Y VALIDACION DE ALGORITMOS DE APRENDIZAJE FEDERADO DE REDES BAYESIANAS, RESPETANDO LA PRIVACIDAD LOCAL DE LOS DATOS, SU SEGURIDAD EN LAS COMUNICACIONES Y GARANTIZANDO LA INTERPRETABILIDAD/EXPLICABILIDAD DE LOS MODELOS OBTENIDOS EN SU USO PARA LA TOMA DE DECISIONES. ESTE OBJETIVO PRINCIPAL SE DESCOMPONE EN UNA SERIE DE OBJETIVOS ESPECIFICOS:- O1 DISEÑO DE ALGORITMOS DE FUSION EN EL NODO AGREGADOR. - O2 DISEÑO DE ALGORITMOS DE APRENDIZAJE DE RBS PARA SU EJECUCION EN LOS NODOS CLIENTE APROPIADOS PARA EL APRENDIZAJE FEDERADO.- O3 DISEÑO DE ALGORITMOS DE APRENDIZAJE FEDERADO PARA CLASIFICADORES BASADOS EN RBS.- O4 ADAPTACION Y DISEÑO DE NUEVOS ALGORITMOS PARA LA GESTION DE LA PRIVACIDAD DE LOS DATOS Y EXPLICACION DE LOS MODELOS APRENDIDOS EN MEDIANTE AF.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores