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)

Назва:	Комплексний порівняльний аналіз методів збереження приватності в машинному навчанні
Інші назви:	Comprehensive comparative analysis of privacy-preserving methods in machine learning
Автори:	Онай, М. В. Северін, А. І. Onai, M. V. Severin, A. I.
Приналежність:	Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна
Бібліографічний опис:	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].
Є частиною видання:	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
Конференція/захід:	ⅩⅡ Міжнародна науково-практичноа конференція молодих учених та студентів „Актуальні задачі сучасних технологій“
Журнал/збірник:	Матеріали ⅩⅡ Міжнародної науково-практичної конференції молодих учених та студентів „Актуальні задачі сучасних технологій“
Дата публікації:	6-гру-2023
Дата внесення:	21-січ-2024
Видавництво:	ФОП Паляниця В. А. PE Palianytsia V.A.
Місце видання, проведення:	Тернопіль Ternopil
Часове охоплення:	6-7 грудня 2023 року 6-7 December 2023
УДК:	004.056 004.8
Кількість сторінок:	2
Діапазон сторінок:	406-407
Початкова сторінка:	406
Кінцева сторінка:	407
URI (Уніфікований ідентифікатор ресурсу):	http://elartu.tntu.edu.ua/handle/lib/43865
ISBN:	978-617-7875-71-9
Власник авторського права:	© Тернопільський національний технічний університет імені Івана Пулюя, 2023
URL-посилання пов’язаного матеріалу:	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
Перелік літератури:	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.
Тип вмісту:	Conference Abstract
Розташовується у зібраннях:	XІІ Міжнародна науково-практична конференція молодих учених та студентів „Актуальні задачі сучасних технологій“ (2023)

Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.