Privacy-Preserving Machine Learning

Эта книга представляет собой всестороннее руководство по технологиям сохранения конфиденциальности в машинном обучении (PPML). Авторы начинают с объяснения основных концепций конфиденциальности в контексте ML, включая угрозы и атаки на системы машинного обучения, и постепенно переходят к дифференциальной приватности (DP) — одному из ключевых инструментов защиты данных.

В книге подробно рассматриваются механизмы дифференциальной приватности, их свойства и применение в различных алгоритмах машинного обучения, таких как наивный байесовский классификатор, логистическая и линейная регрессия, k-средних и метод главных компонент. Отдельное внимание уделяется локальной дифференциальной приватности (LDP) и её продвинутым механизмам.

Значительная часть книги посвящена генерации синтетических данных с сохранением конфиденциальности, анонимизации данных и методам защиты конфиденциальности при обработке и публикации данных. Авторы также рассматривают методы защиты конфиденциальности в системах управления данными и интеграцию технологий PPML в реальные приложения.

Книга содержит множество практических примеров и тематических исследований, которые помогают читателям понять, как применять рассмотренные методы на практике. Она будет полезна специалистам по данным, исследователям и разработчикам, стремящимся создавать безопасные и конфиденциальные системы машинного обучения.