Projekt · Dnr 2021-01697 · Källa: Vinnova
Säkra enklaver för federerad maskininlärning
- Koordinator
- Scaleout Systems AB
- Projekttid
- 2021-05-03 till 2024-04-26 (avslutat)
- Beviljat bidrag
- 1 966 373 SEK
- Diarienummer
- 2021-01697
Beskrivning
Projektets mål har varit att utvärdera möjligheten att med så små insatser som möjligt från slutanvändaren möjliggöra integritetsbevarande maskininlärning på hårdvara som garanterar dataintegritet såväl som applikationens integritet, och därigenom möjliggöra samarbeten på klientnivå som annars inte hade varit möjliga. Målet har uppnåtts genom utvecklandet av öppen mjukvara som komplementerar den befintliga sviten av öppen mjukvara för fedML. Användare av FEDn kan nu själva utvärdera TEEs som ett alternativ för ytterligare garantier kring säkerhet och integritet. Resultatet tillgängligörs som öppen källkod på Scaleouts Githubsida. Det publiceras även en teknisk rapport över projekt och resultat. Vi förväntar oss att projektets resultat dels kan användas i utbildningssyfte, där användare och presumtiva kunder kan ta del av den tekniska rapport som förbereds, men även själva använda den mjukvara som skrivits, dels förväntar vi oss att vi själva i kundprojekt kan använda den metodik som utvecklats i fall där vi måste kunna garantera dataintegritet och att modeller tränats precis enligt specifikation.
Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.
Liknande
-
En plattform för integritetsbevarande maskininlärning med hjälp av Ethereums blockkedja och smarta kontrakt
Scaleout Systems AB · 2019-08-19 · 1 693 803 SEK · Projekt
Syftet med projektet var att utveckla och demonstrera möjligheterna för integritetsbevarande federerad maskininlärning med blockkedje komponenter. Denna målsättning har uppnåtts genom utvecklingen av projektets lösning. Projektet har haft som mål att främja integritetsbevarande AI-samarbeten och det…
-
TRUSTAM - Trusted Federated Intelligence for Additive Manufacturing
INTERSPECTRAL AB · 2026-04-30 · 7 413 300 SEK · Projekt
För att additiv tillverkning ska uppfylla sin potential inom säkerhetskritisk produktion måste kvalitetssäkring vara kalibrerad, integrerad och spårbar i realtid för känsliga produktionsmiljöer. TRUSTAM tillämpar federerat lärande för kvalitetssäkring inom additiv tillverkning – ett ramverk där AI-m…
-
Heliple-2 - Heterogeneous Linked Product Lifecycle Environment - Iteration 2
Saab AB · 2023-01-16 · 4 927 918 SEK · Projekt
Heliple-2 projektets mål var att demonstrera att det är möjligt att skapa en federerad PLM (Product Lifecycle Management) förmåga genom att integrera fristående ingenjörsdisciplin specifika PLM system med hjälp av OSLC standarden. Projektet har påvisat att federerad PLM baserat på OSLC är ett möjlig…
-
SID: Säker datadelning för Industriell Digitalisering
RISE RESEARCH INSTITUTES OF SWEDEN AB · 2023-11-01 · 6 225 250 SEK · Projekt
Målet med projektet har varit att studera integritetsbevarande tekniker och möjliggöra för svensk industri att i större utsträckning använda dessa metoder. Projektet har genomfört fallstudier med metoderna differentiell integritet och federerad maskininlärning och analyserat hur väl information skyd…
-
Privacy‑Preserving Decentralized Learning for Trustworthy Edge Intelligence in 6G Networks
RISE RESEARCH INSTITUTES OF SWEDEN AB · 2026-02-15 · 100 000 SEK · Projekt
Projektet har i stort uppfyllt sina tekniska mål. Det har bidragit till ökad kunskap om integritetsrevision av federerad maskininlärning genom membership inference-attacker och om avvägningen mellan nytta och integritet under differential privacy, relevant för förtroendeingivande edge-AI i 6G. Proje…