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
UNIVERSIDADE DE VIGO
No se ha especificado una descripción o un objeto social para esta compañía.
Total investigadores410
Financiación
concedida
El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto
el día 2020-01-01
No tenemos la información de la convocatoria
0%
100%
Información adicional privada
No hay información privada compartida para este proyecto. Habla con el coordinador.
¿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
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
Información proyecto PID2020-113795RB-C33
Líder del proyecto
UNIVERSIDADE DE VIGO
No se ha especificado una descripción o un objeto social para esta compañía.
Total investigadores410
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