Federated learning voor robuuste, veerkrachtige en adaptieve bescherming van systemen (AIDE)

Het hoofddoel van het AIDE-project is het definiëren en implementeren van een gefedereerd machine learning-platform en om de doeltreffendheid ervan aan te tonen door middel van een aantal casestudy's. Gebundeld leren [8] stelt meerdere klanten in staat om samen op een gedistribueerde manier een machine learning-model te trainen. De proces bestaat uit de volgende drie stappen: (1) lokale modellen worden geleerd op lokale gegevens en algoritmen, (2) vervolgens geaggregeerd tot meer complete wereldwijde modellen die het deelbeleid van respecteren deelnemende entiteiten, en (3) tot slot worden de globale modellen ingezet in de infrastructuur van deelnemende entiteiten. Federated learning biedt dus een geïntegreerde aanpak voor het delen en leren van informatie zonder de noodzaak om enorme hoeveelheden gevoelige gegevens te delen in een gecentraliseerde server, wat aanzienlijke veiligheids- en privacyvoordelen met zich meebrengt. Bovendien gefedereerd leren is hulpbronnenefficiënter omdat het het delen van enorme datasets vervangt door het delen van een model parameters. Om robuuste gefedereerde leersystemen te creëren, moeten potentiële kwetsbaarheden worden weggenomen zorgvuldig worden geëvalueerd en er moeten passende op risico gebaseerde tegenmaatregelen worden ontwikkeld.