Untersuchen Sie sichere Inferenz und Datenschutzrisiken – von geschützter Berechnung bis zu Modellinversion.
Behandelt datenschutzwahrende ML-Systeme: von einem allgemeinen Framework über einen sicheren k-nächste-Nachbarn-Klassifikator und die Evaluation quantisierter neuronaler Netze bis zur Modellinversion als konkretem Risiko bei kollaborativer Filterung. Der Kurs unterscheidet Rechenschutz von formalen Datenschutzgarantien und untersucht Bedrohungsmodelle, Leckagekanäle und Nutzeneinbußen. Die angriffszentrierte Abschlusslektion dient der Sicherheitsanalyse und ist keine Befürwortung des Auslesens persönlicher Daten. Die Videos sind englischsprachig; Notizen und Aufgaben sind eigenständig verfasst und keine Transkripte.
Definieren Sie ein ML-Datenschutzbedrohungsmodell anhand geschützter Werte, Fähigkeiten des Angreifers, Vertrauensannahmen und sichtbarer Ausgaben. Vergleichen Sie sichere Inferenz nach geschützter Berechnung, unterstützten Operationen, Einsatzannahmen und Kosten für Nutzen oder Leistung. Analysieren Sie Modellinversion als Risiko der Informationsoffenlegung und entwerfen Sie eine verantwortungsvolle, abgesicherte Evaluation.
Kenntnisse zu ML-Inferenz, grundlegender Sicherheit und Klassifikation sind empfehlenswert. Erfahrung mit Bedrohungsmodellen und Leistungsmessung ist hilfreich; Kryptografiekenntnisse sind nicht erforderlich.
Erfahrene Lernende, die fortgeschrittene KI-Kenntnisse vertiefen und anwenden möchten
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
4 lektionen · Fortgeschritten · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.