Diseño e implementación de una plataforma para garantizar privacidad de datos en un contexto de machine learning as a service
Resumen:
Nuestro objetivo a lo largo de este trabajo es buscar generar el diseño y la implementación de una arquitectura que permita compartir modelos y datos en un contexto de machine learning as a service que provea garantías de privacidad.
2022 | |
Agencia Nacional de Investigación e Innovación | |
Differential Privacy Homomorphic Encryption Ciencias Naturales y Exactas Ciencias de la Computación e Información |
|
Español | |
Agencia Nacional de Investigación e Innovación | |
REDI | |
https://hdl.handle.net/20.500.12381/3118 | |
Acceso abierto | |
Reconocimiento 4.0 Internacional. (CC BY) |
Resultados similares
-
Software basado en Pyfhel para garantizar privacidad de datos en un contexto de machine learning as a service
Autor(es):: Imbert, Walter
Fecha de publicación:: (2022) -
Prueba de concepto del framework de OpenMined para modelos de Machine Learning
Autor(es):: Ampuero, Pablo
Fecha de publicación:: (2021) -
Implementación de las prácticas de MLOps para PATE
Autor(es):: Ramas, Javier
Fecha de publicación:: (2022) -
Estudio de modelos de privacidad de datos
Autor(es):: Visca, Ramiro
Fecha de publicación:: (2021) -
Prototipo de “Application of Private Aggregation of Ensemble Models to Sensible Data” en la plataforma PySyft de OpenMined
Autor(es):: Pisani, Mikaela
Fecha de publicación:: (2022)