1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
2. Матеріали конференцій, семінарів, читань
3. 2023
4. XІІ Міжнародна науково-практична конференція молодих учених та студентів „Актуальні задачі сучасних технологій“ (2023)

Tytuł:	Комплексний порівняльний аналіз методів збереження приватності в машинному навчанні
Inne tytuły:	Comprehensive comparative analysis of privacy-preserving methods in machine learning
Authors:	Онай, М. В. Северін, А. І. Onai, M. V. Severin, A. I.
Akcesoria:	Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна
Cytat:	Онай М. В. Комплексний порівняльний аналіз методів збереження приватності в машинному навчанні / М. В. Онай, А. І. Северін // Матеріали ⅩⅡ Міжнародної науково-практичної конференції молодих учених та студентів „Актуальні задачі сучасних технологій“, 6-7 грудня 2023 року. — Т. : ФОП Паляниця В. А., 2023. — С. 406–407. — (Комп’ютерно-інформаційні технології та системи зв’язку).
Bibliographic description:	Onai M. V., Severin A. I. (2023) Kompleksnyi porivnialnyi analiz metodiv zberezhennia pryvatnosti v mashynnomu navchanni [Comprehensive comparative analysis of privacy-preserving methods in machine learning]. Book of abstracts of the ⅩⅡ International scientific and practical conference of young researchers and students „Actual problems of modern technologies“ (Tern., 6-7 December 2023), pp. 406-407 [in Ukrainian].
Część publikacji:	Матеріали ⅩⅡ Міжнародної науково-практичної конференції молодих учених та студентів „Актуальні задачі сучасних технологій“, 2023 Book of abstracts of the ⅩⅡ International scientific and practical conference of young researchers and students „Actual problems of modern technologies“, 2023
Konferencja/wydarzenie:	ⅩⅡ Міжнародна науково-практичноа конференція молодих учених та студентів „Актуальні задачі сучасних технологій“
Journal/kolekcja:	Матеріали ⅩⅡ Міжнародної науково-практичної конференції молодих учених та студентів „Актуальні задачі сучасних технологій“
Data wydania:	6-gru-2023
Date of entry:	21-sty-2024
Wydawca:	ФОП Паляниця В. А. PE Palianytsia V.A.
Place edycja:	Тернопіль Ternopil
Zakresu czasowego:	6-7 грудня 2023 року 6-7 December 2023
UDC:	004.056 004.8
Strony:	2
Zakres stron:	406-407
Główna strona:	406
Strona końcowa:	407
URI:	http://elartu.tntu.edu.ua/handle/lib/43865
ISBN:	978-617-7875-71-9
Właściciel praw autorskich:	© Тернопільський національний технічний університет імені Івана Пулюя, 2023
Związane URL literatura:	https://www.microsoft.com/en-us/research/wp-content/uploads/2017/07/Private_AI_Kristin_Lauter.pdf https://arxiv.org/pdf/1909.11512.pdf https://arxiv.org/pdf/1511.03575.pdf https://arxiv.org/abs/1610.06918 https://eprint.iacr.org/2020/300.pdf https://www.solarwindsmsp.com/blog/data-anonymization-overview https://iapp.org/media/pdf/resource_center/Guide_to_Anonymisation.pdf https://ai.googleblog.com/2017/04/federated-learning-collaborative.html
Wykaz piśmiennictwa:	1. Xu R. Privacy-preserving machine learning: Methods, challenges and directions / R. Xu, N. Baracaldo, J. Joshi. // arXiv preprint arXiv:2108.04417. — 2021 — DOI: 10.48550/arXiv.2108.04417. 2. Lauter K. Faculty Summit 2017: Private AI [Electronic resource] / Kristin Lauter // Microsoft Research. — 2017. — Access mode: https://www.microsoft.com/en-us/research/wp-content/uploads/2017/07/Private_AI_Kristin_Lauter.pdf. 3. Nikolenko S. I. Synthetic Data for Deep Learning [Electronic resource] / Sergey I. Nikolenko. — 2019. — Access mode: https://arxiv.org/pdf/1909.11512.pdf. 4. Dwork C. The Algorithmic Foundations of Differential Privacy [Text] / C. Dwork, A. Roth. // Foundations and Trends® in Theoretical Computer Science. — 2014. — Vol. 9, №3-4. — С. 211–407. — DOI 10.1561/0400000042. 5. Minelli M. Fully homomorphic encryption for machine learning [Text] / Michele Minelli., 2018. — 157 p. 6. Communication-efficient learning of deep networks from decentralized data. [Text] / [H. Brendan McMahan, E. Moore, D. Ramage and others]. — 2016. 7. Konečný J. Federated ptimization: Distributed Optimization Beyond the Datacenter [Electronic resource] / J. Konečný, B. c ahan, D. Ramage. — 2015. — Access mode: https://arxiv.org/pdf/1511.03575.pdf. 8. Abadi M. Learning to Protect Communications with Adversarial Neural Cryptography [Electronic resource] / M. Abadi, D. G. Andersen. — 2016. — Access mode: https://arxiv.org/abs/1610.06918. 9. Lindell Y. Secure Multiparty Computation (MPC) [Electronic resource] / Yehuda Lindell — Access mode: https://eprint.iacr.org/2020/300.pdf. 10. Data Anonymization Techniques [Electronic resource]. — 2019. — Access mode: https://www.solarwindsmsp.com/blog/data-anonymization-overview. 11. Guide to basic data anonymisation techniques [Electronic resource] // Personal Data Protection Commission Singapore (PDPC). — 2018. — Access mode: https://iapp.org/media/pdf/resource_center/Guide_to_Anonymisation.pdf. 12. Brendan McMahan H. Federated Learning: Collaborative Machine Learning without Centralized Training Data [Electronic resource] / H. Brendan McMahan, D. Ramage. — 2017. — Access mode: https://ai.googleblog.com/2017/04/federated-learning-collaborative.html.
References:	1. Xu R. Privacy-preserving machine learning: Methods, challenges and directions, R. Xu, N. Baracaldo, J. Joshi., arXiv preprint arXiv:2108.04417, 2021 - DOI: 10.48550/arXiv.2108.04417. 2. Lauter K. Faculty Summit 2017: Private AI [Electronic resource], Kristin Lauter, Microsoft Research, 2017, Access mode: https://www.microsoft.com/en-us/research/wp-content/uploads/2017/07/Private_AI_Kristin_Lauter.pdf. 3. Nikolenko S. I. Synthetic Data for Deep Learning [Electronic resource], Sergey I. Nikolenko, 2019, Access mode: https://arxiv.org/pdf/1909.11512.pdf. 4. Dwork C. The Algorithmic Foundations of Differential Privacy [Text], C. Dwork, A. Roth., Foundations and Trends® in Theoretical Computer Science, 2014, Vol. 9, No 3-4, P. 211–407, DOI 10.1561/0400000042. 5. Minelli M. Fully homomorphic encryption for machine learning [Text], Michele Minelli., 2018, 157 p. 6. Communication-efficient learning of deep networks from decentralized data. [Text], [H. Brendan McMahan, E. Moore, D. Ramage and others], 2016. 7. Konečný J. Federated ptimization: Distributed Optimization Beyond the Datacenter [Electronic resource], J. Konečný, B. c ahan, D. Ramage, 2015, Access mode: https://arxiv.org/pdf/1511.03575.pdf. 8. Abadi M. Learning to Protect Communications with Adversarial Neural Cryptography [Electronic resource], M. Abadi, D. G. Andersen, 2016, Access mode: https://arxiv.org/abs/1610.06918. 9. Lindell Y. Secure Multiparty Computation (MPC) [Electronic resource], Yehuda Lindell - Access mode: https://eprint.iacr.org/2020/300.pdf. 10. Data Anonymization Techniques [Electronic resource], 2019, Access mode: https://www.solarwindsmsp.com/blog/data-anonymization-overview. 11. Guide to basic data anonymisation techniques [Electronic resource], Personal Data Protection Commission Singapore (PDPC), 2018, Access mode: https://iapp.org/media/pdf/resource_center/Guide_to_Anonymisation.pdf. 12. Brendan McMahan H. Federated Learning: Collaborative Machine Learning without Centralized Training Data [Electronic resource], H. Brendan McMahan, D. Ramage, 2017, Access mode: https://ai.googleblog.com/2017/04/federated-learning-collaborative.html.
Typ zawartości:	Conference Abstract
Występuje w kolekcjach:	XІІ Міжнародна науково-практична конференція молодих учених та студентів „Актуальні задачі сучасних технологій“ (2023)

Pozycje DSpace są chronione prawami autorskimi