Machine Learning, als eine Disziplin der Forschung im Bereich der Künstlichen Intelligenz, hat in den letzten Jahren aufgrund großer Fortschritte in der Leistungsfähigkeit und Effektivität von Algorithmen für verschiedene komplexe Aufgaben, wie z.B. in medizinischen Anwendungen, Computer Vision, etc. an Interesse und Akzeptanz gewonnen.

Modelle des maschinellen Lernens werden daher in einer ständig wachsenden Anzahl von Systemen in verschiedenen Bereichen eingesetzt, oft ohne dass die Benutzer, die mit den Systemen interagieren, das wissen. Neben den großen Vorteilen des maschinellen Lernens sind eine Reihe von Aspekten entscheidend, wie z.B. die Auswirkungen auf den Datenschutz bei der Analyse persönlicher oder sensibler Daten, die Sicherheitsaspekte von maschinellen Lernanwendungen und schließlich die Erklärbarkeit und damit Akzeptanz von Modellen des maschinellen Lernens.

Dieser Kurs beschäftigt sich daher mit einigen fortgeschrittenen Themen im Zusammenhang mit Machine Learning (und Statistik im weitesten Sinne).

• Techniken zur Wahrung der Privatsphäre, um sensible Informationen in den Eingabedaten zu anonymisieren, z.B. um den Datenaustausch zu erleichtern, mit besonderem Schwerpunkt auf den Auswirkungen auf den Nutzen der Daten und der darauf trainierten Modelle. Dazu gehören z.B. die k-Anonymity und verwandte Modelle wie l-Diversity sowie Differential Privacy  etc.
• Techniken zur Wahrung der Privatsphäre, wie z.B. Differential Privacy, um Informationslecks an trainierten Modellen zu verhindern.
• Angriffsvektoren auf Modelle des maschinellen Lernens, z.B. membership attacks  und Model Stealing, Adversary Input Generation, und wie man sie einschränkt.
• Backdoor-Einbettung, um das Verhalten von scheinbar gutartigen Modellen für böswillige Zwecke zu manipulieren.
• Vertraulichkeitserhaltende Berechnung von Modellen des maschinellen Lernens, z.B. mit secure multi-party computation, und homomorphen Verschlüsselungsansätzen.
• Erklärbarkeit von Modellen des maschinellen Lernens, um ein besseres Verständnis und Vertrauen in die Modelle zu ermöglichen, z.B. durch Visualisierung, Regelextraktion, Zero-Shot Learning.

Dates:

7.3. Preliminary talk

For all other dates, please see TUWEL! Note that the lecture won't take place every week!

Übungsbeispiele und schriftliche Prüfung

184.702 Machine Learning