Visual_Privacy_Machine_Learning_Dariush_Wahdany_Cybersecurity_Blog_Fraunhofer_AISEC

Differentially Private Prototype Learning (DPPL): Mit Prototypen Datenschutz und Privatsphäre im Machine Learning ermöglichen

Wie kann maschinelles Lernen die Privatsphäre wahren, ohne die Fairness zu beeinträchtigen? Die prototypbasierte Methode Differentially Private Prototype Learning ermöglicht, strenge Datenschutzvorgaben einzuhalten und gleichzeitig die Genauigkeit bei der Abbildung von unterrepräsentierten Gruppen zu verbessern. Durch die Berücksichtigung von Verzerrungen gewährleistet dieser Ansatz eine ethische und integrative KI-Entwicklung ohne Leistungseinbußen.

Den vollständigen Blog-Beitrag finden Sie auf Englisch hier: 

»Using Prototypes for Private Machine Learning«

Most Popular

Keinen Beitrag verpassen?

Bitte geben Sie Ihre E-Mail-Adresse ein, um keinen Blog-Beitrag zu verpassen.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.
Bitte füllen Sie das Pflichtfeld aus.

* Pflichtfeld

* Pflichtfeld

Mit dem Ausfüllen des Formulars akzeptieren Sie unsere Datenschutzerklärung.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Weitere Artikel

Fraunhofer RISC-V Secure Element Cybersecurity Blog Fraunhofer AISEC

Hardwaresicherheit für elektronische Geräte | Fraunhofer RISC‑V Secure Element als Vertrauensanker

Wie können wir sicherstellen, dass die Hardware, die das Fundament unserer vernetzten digitalen Welt bildet, wirklich vertrauenswürdig ist? In diesem Interview erläutern Andreas Seelos-Zankl und Dr. Augusto Wankler Hoppe, zwei Forscher der Fraunhofer-Institute AISEC und IIS, wie ihr neu entwickeltes »Fraunhofer RISC V Secure Element« als Hardware-Vertrauensbasis fungiert: Es schützt kryptografische Schlüssel, sichert Boot-Prozesse und erschwert sowohl physische Manipulationen als auch softwarebasierte Angriffe erheblich.

Weiterlesen »
Usable Privacy Nikolai Lenski Cybersecurity Blog Fraunhofer AISEC

Usable Privacy: Warum Usability für effektiven Datenschutz entscheidend ist

Die Umsetzung von Privacy ist kein rein technisches Problem. Sind Datenschutzmaßnahmen zu kompliziert, umgehen Nutzende sie einfach und schaffen damit neue Risiken. Das Fraunhofer AISEC forscht an der Schnittstelle von Usability und Privacy. Dieser Artikel zeigt, warum schlechte Bedienbarkeit eine echte Bedrohung für die Privatheit von Daten ist, welche Methoden helfen, dieses Problem zu lösen und welche konkreten Ansätze Unternehmen umsetzen können.

Weiterlesen »
Quantum Neural Network Security Pascal Debus Cybersecurity Blog Fraunhofer AISEC

Quantum Neural Network Security: Kill-Chain Attacken auf QNNs

Quantum Machine Learning entwickelt sich von der Theorie hin zu realer Quantenhardware. Dies bringt neue Sicherheitsrisiken mit sich. In einer aktuellen Studie haben Forscher des Fraunhofer AISEC und Partner einen mehrstufigen Angriff auf ein quantenbasiertes neuronales Netzwerk demonstriert, das auf einer Trapped-Ion-Hardware läuft. Der Angriff kombiniert Side-Channel-Analysen, adversariale Beispiele und Crosstalk-Manipulation. Für Anbieter, Produktteams und Entscheidungsträger ist die Botschaft klar: Quanten-KI benötigt »Security by Design«, bevor sie zu einer kritischen Infrastruktur wird.

Weiterlesen »