Effiziente Sicherung sensibler KI-Daten durch neue Methode

MÜNCHEN (IT BOLTWISE) – Der Schutz sensibler Daten in der Künstlichen Intelligenz ist eine Herausforderung, die oft mit Einbußen bei der Genauigkeit der Modelle einhergeht. Doch eine neue Methode von MIT-Forschern könnte dies ändern.

Der Schutz sensibler Daten in der Künstlichen Intelligenz (KI) ist eine Herausforderung, die oft mit Einbußen bei der Genauigkeit der Modelle einhergeht. Doch eine neue Methode von MIT-Forschern könnte dies ändern. Sie haben ein Framework entwickelt, das auf einer neuen Datenschutzmetrik namens PAC Privacy basiert. Diese Methode ermöglicht es, die Leistung eines KI-Modells aufrechtzuerhalten, während gleichzeitig sensible Daten wie medizinische Bilder oder Finanzdaten vor Angreifern geschützt werden.

Die Forscher haben ihre Technik weiterentwickelt, um sie rechnerisch effizienter zu machen. Dies verbessert das Verhältnis zwischen Genauigkeit und Datenschutz und schafft eine formale Vorlage, die zur Privatisierung nahezu jedes Algorithmus verwendet werden kann, ohne dass ein Zugriff auf dessen innere Abläufe erforderlich ist. Die neue Version von PAC Privacy wurde genutzt, um mehrere klassische Algorithmen für Datenanalyse- und maschinelles Lernen zu privatisieren.

Ein bemerkenswerter Aspekt der Methode ist, dass stabilere Algorithmen leichter zu privatisieren sind. Ein stabiler Algorithmus liefert konsistente Vorhersagen, selbst wenn seine Trainingsdaten leicht verändert werden. Diese Stabilität hilft einem Algorithmus, genauere Vorhersagen auf bisher ungesehenen Daten zu treffen. Die erhöhte Effizienz des neuen PAC Privacy-Frameworks und die vierstufige Vorlage zur Implementierung machen die Technik einfacher in realen Situationen einsetzbar.

Mayuri Sridhar, eine MIT-Doktorandin und Hauptautorin eines Papiers zu diesem Datenschutz-Framework, erklärt: „Wir neigen dazu, Robustheit und Datenschutz als unabhängig oder sogar im Konflikt mit der Konstruktion eines leistungsstarken Algorithmus zu betrachten. Wenn man jedoch seinen Algorithmus in verschiedenen Umgebungen besser macht, kann man im Grunde Datenschutz kostenlos erhalten.“

Um sensible Daten zu schützen, die zur Schulung eines KI-Modells verwendet wurden, fügen Ingenieure oft Rauschen hinzu, um es einem Angreifer zu erschweren, die ursprünglichen Trainingsdaten zu erraten. Dieses Rauschen verringert die Genauigkeit eines Modells, daher ist es besser, so wenig Rauschen wie möglich hinzuzufügen. PAC Privacy schätzt automatisch die kleinste Menge an Rauschen, die einem Algorithmus hinzugefügt werden muss, um ein gewünschtes Datenschutzniveau zu erreichen.

Die ursprüngliche PAC Privacy-Algorithmus führt das KI-Modell eines Benutzers viele Male auf verschiedenen Stichproben eines Datensatzes aus. Es misst die Varianz sowie die Korrelationen zwischen diesen vielen Ausgaben und nutzt diese Informationen, um zu schätzen, wie viel Rauschen hinzugefügt werden muss, um die Daten zu schützen. Die neue Variante von PAC Privacy funktioniert auf die gleiche Weise, muss jedoch nicht die gesamte Matrix der Datenkorrelationen über die Ausgaben darstellen; es benötigt nur die Ausgabevarianzen.

Die Forscher haben gezeigt, dass diese Datenschutzgarantien trotz des getesteten Algorithmus stark blieben und dass die neue Variante von PAC Privacy eine Größenordnung weniger Versuche benötigte, um das Rauschen zu schätzen. Sie testeten die Methode auch in Angriffssimulationen und zeigten, dass ihre Datenschutzgarantien modernen Angriffen standhalten konnten.

„Wir möchten erforschen, wie Algorithmen gemeinsam mit PAC Privacy entwickelt werden könnten, damit der Algorithmus von Anfang an stabiler, sicherer und robuster ist“, sagt Srini Devadas, der Edwin Sibley Webster Professor für Elektrotechnik am MIT. Die Forscher wollen ihre Methode auch mit komplexeren Algorithmen testen und das Verhältnis zwischen Datenschutz und Nutzen weiter erforschen.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!

Angebot

2.002 Bewertungen

EIlik - Ein Desktop-Begleitroboter mit emotionaler Intelligenz, Multi-Roboter-Interaktionen, Desktop-Robotik-Partner

• NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.

169,00 EUR

Bei Amazon kaufen