Den vollständigen Blog-Beitrag finden Sie auf Englisch hier:
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.
Most Popular
Weitere Artikel
Wie sicher ist Europas Bahn? Eine systematische Cybersecurity-Risikoanalyse des European Rail Traffic Management Systems (ERTMS)
Sebastian N. Peters
7. August 2026
Das European Rail Traffic Management System (ERTMS) soll Europas Bahnen interoperabel und sicher machen. Das seit 2002 verpflichtende System vereint standardisierte Signalisierung, Funkkommunikation und Zugsteuerung – doch wie gut ist es gegen Cyberangriffe geschützt? Mit MoRA, unserem modularen Risikobewertungsansatz, modellieren wir das ERTMS systematisch und bewerten Cybersicherheitsrisiken. Wir vergleichen aktuelle und zukünftige Konfigurationen, um jene Assets mit der größten Angriffsfläche zu identifizieren. Unsere Skizze des gesamten Systems, von GSM-R, Balisen, FRMCS, ETCS Levels, ATO bis zur Schlüsselverwaltung, liefert eine kompakte Vorschau auf Risikoprofile sowie Angriffsbaumszenarien und zeigt auf, welche praxisnahe Gegenmaßnahmen die Cybersecurity deutlich verbessern.
Codyze: Automatisierte Analyse von Cybersicherheitsanforderungen im Software-Code
Alexander Küchler
1. Juli 2026
Unser Code-Analyse-Tool Codyze setzt regulatorische Anforderungen wie CRA in überprüfbare Regeln um und bewertet automatisch deren Einhaltung.
Laboruntersuchung zur Sicherheit der OpenTitan-Silizium-Root-of-Trust
Nisha Jacob Kabakci
3. Juni 2026
Das Fraunhofer AISEC untersucht gemeinsam mit Google und lowRISC® die Hardware-Sicherheit des OpenTitan-Chips (OpenTitan-Silicon-Root-of-Trust) und identifiziert zentrale Sicherheitslücken und Härtungsmaßnahmen.