Приватный ИИ: машинное обучение на зашифрованных данных — Кристин Лаутер, Microsoft
SAIConference
0:00 / 0:00
Приватный ИИ: машинное обучение на зашифрованных данных — Кристин Лаутер, Microsoft
3 831 просмотр · 6 лет назад
SAIConference
5,95 тыс. подписчиков
3 831 просмотр · 6 лет назад
Веб-сайт конференции: http://saiconference.com/FICC
Кристин Лаутер — ведущий научный сотрудник и менеджер по партнерским исследованиям в группе криптографии и конфиденциальности в Microsoft Research. Она входит в состав высшего руководства лаборатории MSR в Редмонде, а также возглавляет новую команду по городским инновациям. Ее работа сосредоточена на обеспечении конфиденциальности и безопасности данных, связи и электронной коммерции посредством разработки и внедрения надежных методов шифрования. Она участвовала в разработке решений Microsoft для эллиптической криптографии (ECC), которые были включены в Windows, начиная с Windows Vista в 2005 году, и теперь используются в отрасли по всему миру. Она работала над стандартизацией ECC через IEEE и IETF и в настоящее время возглавляет консорциум, соучредителем которого она является, для стандартизации гомоморфного шифрования (HE). Она также известна своей работой в области постквантовой криптографии (ПКВ), в частности, тем, что в 2005 году ввела суперсингулярные изогенные графы в качестве сложной задачи в криптографии (кандидат на участие в конкурсе NIST по ПКВ). С 2015 по 2017 год она занимала пост президента Ассоциации женщин в математике (AWM). Она является членом Американского математического общества, AWM и лектором имени Пойа в Математической ассоциации Америки в 2018-2020 годах.
Название основного доклада: Частный ИИ: машинное обучение на зашифрованных данных
Аннотация: По мере того, как мир внедряет искусственный интеллект, риски для конфиденциальности становятся многочисленными. ИИ может улучшить нашу жизнь, но может привести к утечке или неправомерному использованию наших личных данных. Частный ИИ основан на гомоморфном шифровании (HE), новой парадигме шифрования, которая позволяет облаку работать с частными данными в зашифрованном виде, не расшифровывая их, что обеспечивает частное обучение и частное прогнозирование. В этом докладе будет объяснено гомоморфное шифрование и продемонстрированы примеры его применения на практике.