Διοικητικές πληροφορίες
| Τίτλος | Ιδιωτικότητα στη Μηχανική Μάθηση |
| Διάρκεια | 90 λεπτά |
| Ενότητα | Β |
| Είδος μαθήματος | Διάλεξη |
| Εστίαση | Ηθική — Αξιόπιστη ΤΝ |
| Θέμα | Ιδιωτικότητα |
Λέξεις-κλειδιά
Αντίπαλα μοντέλα, εξαγωγή δεδομένων κατάρτισης, επίθεση μέλους, εξαγωγή προτύπων,
Μαθησιακοί στόχοι
- Κατανόηση των κινδύνων για την προστασία της ιδιωτικής ζωής στη μηχανική μάθηση
- Διακρίνει τα δεδομένα εκπαίδευσης και τις εξαγωγές μοντέλων επιθέσεων/απειλών
- Μάθετε αντιπαραθετική μοντελοποίηση και ανάλυση απειλών στην τεχνητή νοημοσύνη
- Μάθετε τις αρχές του ελέγχου απορρήτου της τεχνητής νοημοσύνης
- Διακρίνει τις επιθέσεις μελών και την ανοικοδόμηση
- Διακρίνει την επίθεση μέλους και την αναστροφή μοντέλου
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
- Διάλεξη: Εισαγωγή στην ιδιωτικότητα και τον κίνδυνο
- Διάλεξη: Μοντελοποίηση και βελτιστοποίηση
- Διάλεξη: ΚΙΝΔΥΝΟΣ & ΜΕΙΩΣΗΣ ΚΙΝΔΥΝΟΥ
- Διάλεξη: Ιδιωτικότητα
- Διάλεξη: Διερευνητική ανάλυση δεδομένων
- Διάλεξη: Συμπέρασμα και πρόβλεψη
- Διάλεξη: Αξιολόγηση του υποδείγματος
- Διάλεξη: Νευρωνικά δίκτυα
- Διάλεξη: Κατανόηση δεδομένων
Υποχρεωτικό για τους φοιτητές
- βασικά στοιχεία της μηχανικής μάθησης,
- βασική γραμμική άλγεβρα,
- ανάλυση βασικών λειτουργιών
Προαιρετικό για Φοιτητές
Καμία.
Αναφορές και υπόβαθρο για τους μαθητές
- Μια Επισκόπηση της Ιδιωτικότητας στη Μηχανική Μάθηση
- Προστασία προσωπικών δεδομένων και αξιόπιστη μηχανική μάθηση
- Συμπερασματικές επιθέσεις κατά μοντέλων μηχανικής μάθησης
- Ολοκληρωμένη ανάλυση απορρήτου της βαθιάς μάθησης: Παθητικές και ενεργητικές επιθέσεις λευκού κουτιού κατά της συγκεντρωτικής και ομόσπονδης μάθησης
- Εξαγωγή δεδομένων κατάρτισης από μεγάλα γλωσσικά μοντέλα
- Μηχανική μάθηση με προστασία της ιδιωτικής ζωής των μελών με τη χρήση της κατ’ αντιμωλία νομιμοποίησης
- Ο μυστικός μέτοχος: Αξιολόγηση και δοκιμή ακούσιας απομνημόνευσης σε νευρωνικά δίκτυα
Συνιστάται για εκπαιδευτικούς
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Αυτό το μάθημα παρέχει μια γενική εισαγωγή σε διάφορα ζητήματα εμπιστευτικότητας της μηχανικής μάθησης. Συνιστάται στους εκπαιδευτικούς να χρησιμοποιούν παραδείγματα πραγματικής ζωής για να καταδείξουν την πρακτική σημασία αυτών των τρωτών σημείων, ιδίως για ζητήματα που σχετίζονται με την προστασία της ιδιωτικής ζωής, των οποίων η πρακτική συνάφεια συχνά συζητείται και θεωρείται εμπόδιο στην ανθρώπινη ανάπτυξη. Οι μαθητές πρέπει να κατανοήσουν ότι οι κίνδυνοι για την προστασία της ιδιωτικής ζωής μπορούν επίσης να επιβραδύνουν την πρόοδο (τα μέρη που αντιμετωπίζουν κινδύνους εμπιστευτικότητας μπορεί να είναι απρόθυμα να μοιραστούν τα δεδομένα τους). Επικεντρώνεται στη βασική κατανόηση που απαιτείται για την αναγνώριση των απειλών για την προστασία της ιδιωτικής ζωής με σκοπό τον έλεγχο των μοντέλων μηχανικής μάθησης. Οι σχετικές πρακτικές δεξιότητες μπορούν να αναπτυχθούν περαιτέρω σε πιο πρακτικές εκδηλώσεις μάθησης:
- Πρακτικό: Εφαρμογή και αξιολόγηση τεχνικών διατήρησης της ιδιωτικής ζωής
- Πρακτικό: Πλαίσια ελέγχου της ιδιωτικής ζωής και της προστασίας των δεδομένων
Σχεδιάγραμμα
| Διάρκεια (ελάχ.) | Περιγραφή | Έννοιες |
|---|---|---|
| 20 | Μηχανική μάθηση: Ανακεφαλαιοποίηση | Αλγόριθμος μάθησης, Ταξινόμηση, Νευρωνικά δίκτυα, Βαθμολογία, βαθμολογίες εμπιστοσύνης |
| 5 | Αντίπαλα μοντέλα | White-box, Black-box επιθέσεις |
| 20 | Επίθεση μελών | Μοντέλο στόχου, μοντέλο επιτιθέμενου, διαφορετικό απόρρητο |
| 20 | Αναστροφή Modell | Κάθοδος κλίσης όσον αφορά τα εισερχόμενα δεδομένα, ανακατασκευή του μέσου όρου της τάξης |
| 20 | Υπόδειγμα εξαγωγής | Επανακατάρτιση, ανακατασκευή παραμέτρων, μετριασμός |
| 5 | Συμπεράσματα |
Αναγνωρίσεις
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.