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)

Başlık:	Комплексний порівняльний аналіз методів збереження приватності в машинному навчанні
Diğer Başlıklar:	Comprehensive comparative analysis of privacy-preserving methods in machine learning
Yazarlar:	Онай, М. В. Северін, А. І. Onai, M. V. Severin, A. I.
Affiliation:	Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна
Bibliographic description (Ukraine):	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 (International):	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].
Is part of:	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
Conference/Event:	ⅩⅡ Міжнародна науково-практичноа конференція молодих учених та студентів „Актуальні задачі сучасних технологій“
Journal/Collection:	Матеріали ⅩⅡ Міжнародної науково-практичної конференції молодих учених та студентів „Актуальні задачі сучасних технологій“
Yayın Tarihi:	6-Ara-2023
Date of entry:	21-Oca-2024
Yayıncı:	ФОП Паляниця В. А. PE Palianytsia V.A.
Place of the edition/event:	Тернопіль Ternopil
Temporal Coverage:	6-7 грудня 2023 року 6-7 December 2023
UDC:	004.056 004.8
Number of pages:	2
Page range:	406-407
Start page:	406
End page:	407
URI:	http://elartu.tntu.edu.ua/handle/lib/43865
ISBN:	978-617-7875-71-9
Copyright owner:	© Тернопільський національний технічний університет імені Івана Пулюя, 2023
URL for reference material:	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
References (Ukraine):	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 (International):	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.
Content type:	Conference Abstract
Koleksiyonlarda Görünür:	XІІ Міжнародна науково-практична конференція молодих учених та студентів „Актуальні задачі сучасних технологій“ (2023)

DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.