В сфере защиты конфиденциальных данных разработаны новые алгоритмы, которые помогут повысить безопасность конфиденциальной информации. Эта инициатива связана с использованием технологии федеративного обучения, позволяющей устройствам работать совместно, не обмениваясь фактическими данными.
Салони Кватра, аспирант кафедры компьютерных наук, выявила недостатки этой технологии в своей диссертации и предложила новые алгоритмы для повышения безопасности пользователей. Она отметила, что несмотря на использование федеративного обучения, во время обновлений системы все же может произойти утечка конфиденциальной информации.
Для решения этой проблемы Салони применила две техники: k-анонимность и дифференциальную конфиденциальность. K-анонимность позволяет организовать данные так, чтобы каждая комбинация идентифицирующих признаков (например, рост, возраст или цвет глаз) принадлежала нескольким людям, что затрудняет их индивидуальную идентификацию. Дифференциальная приватность же гарантирует, что результаты анализа не будут существенно изменяться в зависимости от того, включен ли конкретный человек в набор данных.
Кроме того, исследователь изучила, как защитить синтетические данные от атак на вывод признаков, которые могут угрожать конфиденциальности. Эти новые алгоритмы особенно актуальны в таких областях, как здравоохранение, финансы и телекоммуникации, где сохранение целостности данных имеет критическое значение. Салони Кватра подчеркнула, что предложенные алгоритмы помогут обеспечить безопасность пользовательской информации и повысить эффективность систем.