Förderung der Privatsphäre beim kollaborativen Datenaustausch durch Autoencoder-Latentraum-Einbettung

Die Sicherung der Privatsphäre im maschinellen Lernen durch kollaborativen Datenaustausch ist für Organisationen unerlässlich, die kollektive Daten nutzen und gleichzeitig Vertraulichkeit wahren möchten. Dies wird besonders wichtig, wenn sensible Informationen während des gesamten maschinellen Lernprozesses geschützt werden müssen, vom Modelltraining bis zur Inferenz. Dieses Papier stellt ein innovatives Framework vor, das Representation Learning mittels Autoencodern nutzt, um datenschutzfreundliche eingebettete Daten zu generieren. Dadurch können Organisationen diese Repräsentationen verteilen und die Leistung von maschinellen Lernmodellen in Szenarien verbessern, bei denen mehrere Datenquellen für eine einheitliche Vorhersageaufgabe zusammengeführt werden.