Cybersäker maskininlärning på öppen infrastruktur
Dagens maskininlärningsmetoder ger stora möjligheter till avancerad dataanlys för exempelvis krishantering, processoptimering och produktförbättring, eller minskning av miljöpåverkan. Genom att implementera metoderna på öppen infrastruktur behöver man inte underhålla en egen kostsam och komplex serverinfrastruktur.
Dagens maskininlärningsmetoder ger stora möjligheter till avancerad dataanlys för exempelvis krishantering, processoptimering och produktförbättring, eller minskning av miljöpåverkan. Genom att implementera metoderna på öppen infrastruktur behöver man inte underhålla en egen kostsam och komplex serverinfrastruktur. Dessvärre medför dessa möjligheter även en rad cybersäkerhetsproblem.
Målet i det här projektet är lösa denna utmaning genom att utveckla säkra, integritetsbevarande maskininlärningsmetoder som säkerställer att datan förblir säker, även om den skulle hamna i fel händer.
Projektledare: Roland Hostettler
Projektdeltagare: Anders Ahlén, Subhrakanti Dey
Bidragsperiod: 2021-2024
Projekt-ID: 2021-06334_VR
Mer information om projektet i Swecris databas
Skalbara och säkra distribuerade beräkningsnätverk
Målet i det här projektet är att utveckla säkra och skalbara distribuerade beräkningsnätverk baserad på AI-in-a-box beräkningsnoder för säker, integritetsbevarande och skalbar maskininlärning på öppen infrastruktur. Detta åstadkoms genom att utnyttja en kombination av homomorf kryptering, differential privacy samt federated learning.
Projektledare: Roland Hostettler
Bidragsperiod:1 Juni 2023–31 Maj 2026
Projekt-ID: 2023-00236_Vinnova
Mer information om projektet i Swecris databas
Bayesiansk federerad inlärning för spatio-temporala system
Många processer i naturen eller tekniken, till exempel klimatsystem eller biosfärer, kan beskrivas som spatio-temporala processer, processer som interagerar både i rum och tid. Tack vare förbättrad tillgång till prisvärda sensorer ökar tillgängligheten till mätdata från sådana komplexa system kontinuerligt.
Tyvärr finns det dock en rad utmaningar vid bearbetning av dessa data. Exempelvis ska datasäkerheten garanters och det ska säkerställas att databehandling sker på ett sätt som tar hänsyn till sensorernas begränsade resurser såsom energitillgång, beräkningskraft eller uppkoppling.
Målet i det här projektet är att lösa denna utmaning genom att utveckla maskininlärningsmetoder för spatio-temporala system som är medvetna om och tar hänsyn till dessa begränsningar.
Projektledare: Roland Hostettler
Bidragsperiod: 2023-2026
Projekt-ID: 2022-04505_VR
Mer information om projektet i Swecris databas
