Apprendimento automatico che preserva la privacy

Recensioni dei lettori

Il libro discute l'importanza di proteggere la privacy degli utenti nell'apprendimento automatico, in particolare alla luce delle crescenti normative. Sottolinea che non esiste una soluzione unica e fornisce vari casi di studio e approcci per risolvere i problemi di privacy.

Il libro offre spunti preziosi per la protezione della privacy nell'apprendimento automatico, supporta le sue argomentazioni con casi di studio e sottolinea la necessità di soluzioni personalizzate per la privacy piuttosto che di un approccio unico per tutti.

La recensione non menziona alcun aspetto negativo specifico, ma potrebbe implicare una complessità nell'implementazione dei vari approcci o potenziali sfide nel bilanciare la privacy con le esigenze dei dati.

(basato su 1 recensioni dei lettori)

Titolo originale:

Privacy-Preserving Machine Learning

Contenuto del libro:

Mantenete i dati sensibili degli utenti al sicuro senza sacrificare le prestazioni e l'accuratezza dei vostri modelli di apprendimento automatico.

In Privacy Preserving Machine Learning imparerete:

⬤ Considerazioni sulla privacy nell'apprendimento automatico.

⬤ Tecniche di privacy differenziale per l'apprendimento automatico.

⬤ Generazione di dati sintetici rispettosi della privacy.

⬤ Tecnologie di miglioramento della privacy per applicazioni di data mining e database.

⬤ Privacy compressiva per l'apprendimento automatico.

Privacy-Preserving Machine Learning è una guida completa per evitare le violazioni dei dati nei vostri progetti di apprendimento automatico. Vi farà conoscere le moderne tecniche di miglioramento della privacy, come la privacy differenziale, la privacy compressiva e la generazione di dati sintetici. Sulla base di anni di ricerca sulla cybersecurity finanziata dalla DARPA, gli ingegneri di ML di qualsiasi livello trarranno beneficio dall'incorporazione di queste pratiche di conservazione della privacy nello sviluppo dei loro modelli. Al termine della lettura, sarete in grado di creare sistemi di apprendimento automatico che preservano la privacy degli utenti senza sacrificare la qualità dei dati e le prestazioni dei modelli.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia

Le applicazioni di apprendimento automatico necessitano di enormi quantità di dati. Sta a voi mantenere private e sicure le informazioni sensibili contenute in questi set di dati. La conservazione della privacy avviene in ogni fase del processo di ML, dalla raccolta e dall'inserimento dei dati allo sviluppo e alla distribuzione dei modelli. Questo libro pratico vi insegna le competenze necessarie per proteggere le vostre pipeline di dati da un capo all'altro.

Informazioni sul libro

Privacy-Preserving Machine Learning esplora le tecniche di conservazione della privacy attraverso casi d'uso reali nel riconoscimento facciale, nell'archiviazione dei dati nel cloud e altro ancora. Imparerete a conoscere le implementazioni pratiche che potete implementare ora, le sfide future per la privacy e come adattare le tecnologie esistenti alle vostre esigenze. Le nuove competenze acquisite saranno utilizzate per realizzare un progetto completo di piattaforma di dati sulla sicurezza, che verrà sviluppato nel capitolo finale.

Cosa contiene

⬤ Tecniche di privacy differenziale e compressiva.

⬤ Privacy per la stima della frequenza o della media, per il classificatore naive Bayes e per il deep learning.

⬤ Generazione di dati sintetici che rispettano la privacy.

⬤ Privacy migliorata per applicazioni di data mining e database.

Informazioni sul lettore

Per ingegneri e sviluppatori di machine learning. Esempi in Python e Java.

Informazioni sull'autore

J. Morris Chang è professore presso la University of South Florida. I suoi progetti di ricerca sono stati finanziati dalla DARPA e dal Dipartimento della Difesa. Di Zhuang è ingegnere della sicurezza presso Snap Inc. Dumindu Samaraweera è assistente alla ricerca presso la University of South Florida. Il redattore tecnico di questo libro, Wilko Henecka, è un ingegnere software senior presso Ambiata, dove realizza software a tutela della privacy.

Indice dei contenuti

PARTE 1 - NOZIONI DI BASE SULL'APPRENDIMENTO AUTOMATICO CON PRIVACY DIFFERENZIATA.

1 Considerazioni sulla privacy nell'apprendimento automatico.

2 Privacy differenziale per l'apprendimento automatico.

3 Concetti avanzati di privacy differenziale per l'apprendimento automatico.

PARTE 2 - PRIVACY DIFFERENZIALE LOCALE E GENERAZIONE DI DATI SINTETICI.

4 Privacy differenziale locale per l'apprendimento automatico.

5 Meccanismi avanzati di LDP per l'apprendimento automatico.

6 Generazione di dati sintetici rispettosi della privacy.

PARTE 3 - COSTRUZIONE DI APPLICAZIONI DI APPRENDIMENTO AUTOMATICO PROTETTE DALLA PRIVACY.

7 Tecniche di data mining rispettose della privacy.

8 Gestione dei dati e operazioni che rispettano la privacy.

9 Privacy compressiva per l'apprendimento automatico.

10 Mettere tutto insieme: Progettare una piattaforma a tutela della privacy (DataHub).