Privatsphäreschützendes Maschinelles Lernen für endgerätzentrierte Selbstvermessung

Das Projekt MLens hat eine Reihe neuer Lernverfahren erforscht (sog.
Differentially Private Lernverfahren), welche keine Angriffe auf die
Trainingsdaten ermöglichen, sofern deren Menge hinreichend groß ist. In MLens wurden sowohl skalierbare verteilte Lernverfahren, als auch
Lernverfahren für Zeitreihen, als auch neuartige fundamentale
Data-Science-Algorithmen (Clustering) erforscht, implementiert und
theoretisch untersucht.

Durch unsere Arbeit im Rahmen von MLens und die hierbei erreichten
Fortschritte beim Privatsphäre-erhaltenden Verteilten Lernen und
Privatsphäre-erhaltenden Maschinellen Lernen haben wir einen wichtigen
Beitrag zur Stärkung der digitalen Selbstbestimmung geleistet.