Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...

- Identify threats to privacy of individuals in machine learning datasets

- Select fitting solutions for privacy-preserving machine learning

- Understand attack vectors on machine learning models, and how attacls can be detected and mitigated

- Select fitting concepts for explainable and interpretable machine learning

• 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.

Der Kurs enthält Vorlesungen und Übungen. Die Vorlesungen werden während der anhaltenden Einschränkungen der Präsenzlehre live über Zoom gestreamt. Links zu den Zoom Sessions werden in TUWEL bereitgestellt.  Die Übungen beinhalten die Anwendung von datenschutzkonformen, sicheren und erklärbaren maschinellen Lernverfahren für verschiedene Datensätze und die Implementierung dieser Verfahren. Die Übungen werden zu Hause vorbereitet und in den Übungsstunden vorgestellt/besprochen.

Die SPEML Vorlesung wird on-line abgehalten

Achtung:  Bis auf weiteres muss die Vorlesung on-line abgehalten werden. Die Eineiten finden live in einer Zoom Session statt, der Link zur Zoom Session wird über den TUWEL Kurs verfügbar gemacht werden. Es gibt keine Video-Aufzeichnungen. Die Vorlesungszeiten bleiben unverändert wie in der Hörsaalreservierung unten angegeben. Präsenz im Hörsaal ist derzeit NICHT erlaubt. Sollten die TU-Regeln zu einem späteren Zeitpunkt eine Präsenzvorlesung erlauben, so werden wir dies zeitgerecht ankündigen.

- Lösen von Übungsaufgaben unter Verwendung eines Software-Toolkits nach Wahl (e.g. Python scikit-learn, Matlab, R, WEKA, ...)

- Schriftliche Prüfung (closed book) - mit höchster Wahrscheinlichkeit on-line via TUWEL. Sollte die Pandemie  Präsenzprüfungen zum vorgesehenen Zeitpunkt zulassen würden wir auf eine Präsenzprüfung umstellen. Bei geringen Anmeldezahlen kann die Prüfung auch mündlich durchgeführt werden (ebenfalls, abhängig von der Entwicklung der Pandemie-Situation voraussichtlich on-line)

184.702 Machine Learning