Hola,
¿eres nuevo aquí?

Registrate y conecta tu empresa con financiación pública, partners y proyectos.

PID2020-113795RB-C33

Financiado

COMPROMISE: PRIVACIDAD EN MACHINE LEARNING COLABORATIVO Y DISTRIBUIDO, SUJETO A...

COMPROMISE: PRIVACIDAD EN MACHINE LEARNING COLABORATIVO Y DISTRIBUIDO, SUJETO A REQUISITOS DE RENDIMIENTO Y EFICACIA EL PROBLEMA DEL APRENDIZAJE AUTOMATICO SOBRE DATOS DISTRIBUIDOS ENTRE MULTIPLES FUENTES SIN DESVELAR ESOS DATOS CONSTITUYE UNO DE LOS RETOS MAS AMBICIOSOS EN VARIAS AREAS DE INVESTIGACION. LAS REDES DE COMUNICACIONES ACTUALES, QU... ver más

01/01/2020

UVIGO

136K€

Presupuesto del proyecto: 136K€

Líder del proyecto

UNIVERSIDADE DE VIGO No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 410

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2020-01-01

0% 100%

Participantes

UVIGO

Lider

Proyectos interesantes

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

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

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

TED2021-131291B-I00 APRENDIZAJE FEDERADO EXPLICABLE CON REDES BAYESIANAS 111K€ Cerrado

BES-2013-063659 ALGORITMOS DE APRENDIZAJE COMPUTACIONAL EN ENTORNOS DISTRIBU... 84K€ Cerrado

TIN2009-10748 NUEVOS METODOS COMPUTACIONALES ESCALABLES Y EFICIENTES DE AP... 112K€ Cerrado

Últimas noticias

01-12-2024: REDES En las últimas 48 horas el Organismo REDES ha otorgado 1337 concesiones

01-12-2024: IDAE En las últimas 48 horas el Organismo IDAE ha otorgado 4 concesiones

01-12-2024: AEI En las últimas 48 horas el Organismo AEI ha otorgado 23 concesiones

Líder del proyecto

UNIVERSIDADE DE VIGO

Total investigadores 410

Presupuesto del proyecto 136K€

Descripción del proyecto EL PROBLEMA DEL APRENDIZAJE AUTOMATICO SOBRE DATOS DISTRIBUIDOS ENTRE MULTIPLES FUENTES SIN DESVELAR ESOS DATOS CONSTITUYE UNO DE LOS RETOS MAS AMBICIOSOS EN VARIAS AREAS DE INVESTIGACION. LAS REDES DE COMUNICACIONES ACTUALES, QUE REGISTRAN TODA LA ACTIVIDAD DE LAS PERSONAS Y DE LAS MAQUINAS, PLANTEAN LA NECESIDAD DE DESARROLLAR NUEVA TECNOLOGIA DISEÑADA DESDE PREMISAS DE PRIVACIDAD COMPATIBLES CON LA COMPUTACION COLABORATIVA Y CON DISPOSITIVOS MOVILES QUE PARTICIPAN EN LA INFERENCIA Y LA TOMA DE DECISIONES. SIN EMBARGO, PARA UTILIZAR A GRAN ESCALA LAS TECNICAS DE INFERENCIA Y APRENDIZAJE COLABORATIVO PRIVADO, ES PRECISO RESOLVER DESDE LA TEORIA Y DESDE LA INGENIERIA LOS PROBLEMAS TECNICOS QUE SE DERIVAN DE TRANSMITIR SOBRE CANALES VARIABLES Y DE COMPUTAR SOBRE NODOS HETEROGENEOS EN CAPACIDAD, EN ALMACENAMIENTO Y EN DISPONIBILIDAD. AUNQUE EL APRENDIZAJE FEDERADO (AF) HA EMERGIDO HACE POCO COMO EL PARADIGMA GENERAL PARA TRATAR ESOS PROBLEMAS, EL AF APENAS HA ANALIZADO COMO AFECTAN LA TOPOLOGIA DE LAS REDES, LA PARTICION DE DATOS Y ALGORITMOS ENTRE VARIOS NODOS, NI LOS REQUISITOS DE PRIVACIDAD AL RENDIMIENTO DE LAS TAREAS DE APRENDIZAJE E INFERENCIA PRIVADA COLABORATIVAS, EN CONVERGENCIA, PRECISION Y UTILIDAD DE LAS PREDICCIONES. "COMPROMISE: PRIVACIDAD EN MACHINE LEARNING COLABORATIVO Y DISTRIBUIDO, SUJETO A REQUISITOS DE RENDIMIENTO Y EFICACIA" PLANTEA AVANCES CIENTIFICOS EN LOS MECANISMOS, LOS MODELOS MATEMATICOS Y LOS ALGORITMOS DE APRENDIZAJE DISEÑADOS PARA UNA ARQUITECTURA DE APRENDIZAJE MAQUINA COLABORATIVO, EFICIENTE Y CAPAZ DE PRESERVAR LA PRIVACIDAD DE LOS DATOS TANTO DURANTE EL ENTRENAMIENTO COMO EN LA FASE DE INFERENCIA. ESTE OBJETIVO SE APOYA EN TRES LINEAS DE INVESTIGACION:1) OPTIMIZAR LOS FLUJOS DE TRABAJO DE AF Y Y ML COLABORATIVO. PARA REDUCIR RETARDO Y COSTE, EL ENFOQUE SERA EL DE DIVIDIR LOS DATOS, SELECCIONAR LOS PUNTOS DE MUESTREO Y ASIGNAR LOS NODOS DE COMPUTO DE MANERA OPTIMA PARA MINIMIZAR LA CANTIDAD DE DATOS A TRANSMITIR PERO SIN AFECTAR A LA CALIDAD DE ENTRENAMIENTO DEL MODELO. SE APLICARAN TECNICAS DE MUESTREO ENFATIZADO, COMPRESION Y REDUCCION DE DIMENSIONALIDAD ADAPTADAS A LA TOPOLOGIA DE LA RED. SE DISEÑARA Y VALIDARA UNA ARQUITECTURA MULTI-CAPA (DEVICE/EDGE/FOG/CLOUD) PARA LAS TAREAS DE ML COLABORATIVO.2) MEJORAR LOS ALGORITMOS FUNDAMENTALES. EL DISEÑO CONJUNTO DE ML COLABORATIVO SOBRE REDES CONLLEVA SOLUCIONAR LAS CONSECUENCIAS CAUSADAS POR LA BAJA CALIDAD DE LAS COMUNICACIONES EN LA PRECISION Y VELOCIDAD DE CONVERGENCIA (APRENDIZAJE Y PREDICCION). LAS VIAS PRINCIPALES PARA ATACAR ESTE EFECTO SERAN INTRODUCIR EN LOS NODOS ALGORITMOS DE COMPUTACION CODIFICADA EFICIENTES Y COMPATIBLES CON LA PRIVACIDAD. SE INVESTIGARAN ALGORITMOS DE APRENDIZAJE ESTADISTICO QUE SE PUEDAN CONSTRUIR Y ACTUALIZAR DE MANERA INCREMENTAL MEDIANTE AGREGACION (DE MUESTRAS Y DE SUB-MODELOS).3) PROTEGER EL COMPUTO AF Y ML COLABORATIVO CON TECNICAS DE PRIVACIDAD DIFERENCIAL. PROPONEMOS UNA ARQUITECTURA DONDE CADA ELEMENTO USA UNA MEDIDA DE PRIVACIDAD BASADA EN FUNCIONES DE UTILIDAD, APTAS PARA MAXIMIZAR DE FORMA INDEPENDIENTE MEDIANTE LA COMBINACION DE TECNICAS DE PRIVACIDAD DIFERENCIAL PARA DATOS MASIVOS CON MICRO-AGREGACION SEGURA. LAS GARANTIAS DE SEGURIDAD DIFERENCIAL REQUERIRAN NUEVOS METODOS DE COMPRESION COMPATIBLES. SE DESARROLLARAN METODOS DE ANALISIS DE LAS VULNERABILIDADES DEL FILTRADO DE INFORMACION DURANTE EL ENTRENAMIENTO E INFERENCIA, CENTRADAS EN OFUSCAR LA CORRELACION TEMPORAL Y EL CONTENIDO SEMANTICO. RIVACIDAD\SISTEMAS DE ALMACENAMIENTO MASIVO Y DIST\REDES DE SENSORES\REDES VEHICULARES\PROTOCOLOS DE RED\PROTOCOLOS DE SEGURIDAD\FOG COMPUTING\EDGE COMPUTING\MACHINE LEARNING\CALIDAD DE SERVICIO

Conecta tu I+D

Entra hoy

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores