Đề cương khóa học

Giới thiệu về Máy học Bảo vệ Quyền riêng tư (Privacy-Preserving ML)

  • Lý do và rủi ro trong môi trường dữ liệu nhạy cảm
  • Tổng quan về kỹ thuật bảo vệ quyền riêng tư trong máy học
  • Mô hình mối đe dọa và xem xét quy định (ví dụ: GDPR, HIPAA)

Federated Learning

  • Khái niệm và kiến trúc của học tập liên minh (federated learning)
  • Đồng bộ hóa và tổng hợp giữa khách hàng và máy chủ
  • Triển khai bằng PySyft và Flower

Bảo mật Tương đối (Differential Privacy)

  • Toán học của bảo mật tương đối
  • Áp dụng DP trong truy vấn dữ liệu và huấn luyện mô hình
  • Sử dụng Opacus và TensorFlow Privacy

Tính toán Đa bên Bảo mật (Secure Multiparty Computation - SMPC)

  • Các giao thức và trường hợp sử dụng của SMPC
  • Phương pháp dựa trên mã hóa so với chia sẻ bí mật
  • Chu trình tính toán an toàn bằng CrypTen hoặc PySyft

Mã hóa Đồng hình (Homomorphic Encryption)

  • Mã hóa đồng hình hoàn chỉnh so với một phần
  • Dự đoán mã hóa cho công việc nhạy cảm
  • Thực hành bằng TenSEAL và Microsoft SEAL

Ứng dụng và Trường hợp Nghiên cứu trong Ngành

  • Bảo mật quyền riêng tư trong y tế: học tập liên minh cho AI y tế
  • Hợp tác an toàn trong tài chính: mô hình rủi ro và tuân thủ quy định
  • Trường hợp sử dụng trong quốc phòng và chính phủ

Tóm tắt và Bước kế tiếp

Yêu cầu

  • Hiểu biết về nguyên lý học máy
  • Kinh nghiệm với Python và thư viện ML (ví dụ: PyTorch, TensorFlow)
  • Am hiểu các khái niệm về quyền riêng tư dữ liệu hoặc bảo mật mạng là một lợi thế

Khán giả

  • Nhà nghiên cứu AI
  • Đội ngũ đảm bảo an toàn và tuân thủ quy định về dữ liệu cá nhân
  • Kỹ sư bảo mật làm việc trong lĩnh vực được quản lý chặt chẽ
 14 Giờ học

Số người tham gia


Giá cho mỗi người tham gia

Các khóa học sắp tới

Các danh mục liên quan