Neuro-symbolisk fødereret læring med sikker flerpartsberegning

I nogle kritiske applikationer ønsker flere parter at træne en maskinlæringsalgoritme (f.eks. et neuralt netværk) på følsomme data. Denne følsomme skal forblive hemmelig for de respektive parter.

Nylig forskning i fødereret læring har gjort distribueret læring med fortrolige oplysninger praktisk. Dette projekt forsker i gennemførligheden af ​​neuro-symbolsk læring - dvs. teknikker, der kombinerer læring fra data med logiske begrænsninger - ved hjælp af sikker multi-party beregning - dvs. teknikker, der muliggør beregning af en offentlig funktion, samtidig med at inputs holdes private.

Neuro-symbolsk læring er kendt for at hjælpe med at løse nogle problemer med brugen af ​​maskinlæringsalgoritmer i kritiske applikationer, herunder evnen til at opretholde logisk konsistens og at opnå robusthed mod modstridende angreb. Med sikker flerpartsberegning vil fordelene ved neuro-symbolsk læring være anvendelige på nye domæner, hvor træningsdata ikke kan deles.