''Federated Machine Learning'' за очување приватности података

Увод

Са експлозијом генерисања података (захваљујући снажној комбинацији приступачности интернету и развоју мобилних уређаја, заједно са доступном рачунарском снагом без сервера, на захтев), машинско учење се налази у свом зениту, чак и као случајеви употребе напајани њиме настављају да дотичу више аспеката наших живота. Ипак, док неумољиво напредује, његова растућа зрелост довела је до спознаје споредних, али критичних брига. Једна таква брига је очување приватности података.

Ово је место где '' Federated Machine Learning '' долази до изражаја.

Како се ''Federated Machine Learning'' разликује од традиционалног машинског учења?

''Federated Machine Learning'' је концептуализовано јер се разликује од традиционалног машинског учења по томе што је очување приватности података део дизајна.

Традиционално машинско учење функционише на следећи начин: подаци генерисани од више корисника (рецимо, навике гледања на YouTube -у, на пример) се прикупљају на централном серверу. Ови подаци се затим користе за обуку модела машинског учења (рецимо, препоручивање видео записа корисницима, на пример). Модел се затим додаје корисницима централно, где текући и поменути модел користи прошле генерисане податке да би генерисали свој излаз (препоручени видео снимци у овом примеру).

У овој премиси, забринутост је да, пошто су подаци појединачних корисника ускладиштени на централном серверу, постоји потенцијал да се ови подаци злоупотребе од стране лажног агента. Ово поставља питање: да ли се исти процес може осмислити и применити тако да се може решити претња по приватност података?

''Federated Machine Learning'' решава проблем имплементацијом ранијег процеса на следећи начин: пакет за обуку стандардног модела (циљ модела, структура, параметри, хиперпараметри, итд.) се шаље на уређај свих корисника преко централног сервера. Овај модел пакета се затим покреће локално на сваком корисничком уређају, користећи могућност ивичног рачунања наведеног уређаја. Дакле, вишеструки кориснички специфични локални модели се обучавају приватно користећи само податке наведених корисника. Ови локални модели се затим прослеђују назад на централни сервер; глобални модел реконструисан из појединачних модела корисника. Глобални модел се поново примењује на корисничке уређаје преко поменутог централног сервера.

Како ''Federated Machine Learning'' чува приватност података?

Начин на који ''Federated Machine Learning'' обезбеђује очување приватности података зависи од следећег кључног детаља. Уместо прослеђивања података специфичних за корисника на централни сервер, шаље се модел специфичан за корисника (обучен локално на корисничким уређајима који користе ивичну рачунарску снагу). Он децентрализује процес обуке модела, заобилазећи тако потребу да се сви подаци корисника прикупљају на једном централном серверу. Стога су модели специфични за корисника потенцијално изложени лажним агентима, а не подацима специфичним за корисника. Могућност злоупотребе модела специфичног за корисника је много мања од података специфичних за корисника јер је то апстрактни податак.

Закључак

Одличан пример ''Federated Machine Learning'' из стварног живота је апликација за тастатуру Google Gboard. Ова апликација за тастатуру, доступна за Android и Apple уређаје, користи шаблоне реченица корисника да би понудила предлоге за предвиђање. Међутим, он користи ''Federated Machine Learning'' приступ уместо да централно обједињује податке и обучава модел. Као резултат тога, свако може да користи уобичајене обрасце куцања језика а да њихови специфични обрасци и подаци нису подложни злоупотреби.

С обзиром на то да приватност података добија све већу пажњу (првенствено регулаторну), очекује се да ће имплементације '' Federated Machine Learning'' бити уобичајене, посебно за случајеве употребе окренуте потрошачима.