Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Quantum-secure multi-party deep learning

Projektbeschreibung

Quantensichere Protokolle für eine datenschutzfreundliche KI

Da KI-Systeme immer leistungsfähiger werden und immer weitere Verbreitung finden, läuft die Berechnung verstärkt über verschiedene Geräte, Einrichtungen und Cloud-Plattformen ab. In vielen Fällen sind die Daten bei einer einzigen Partei gespeichert, während das KI-Modell von einer anderen Partei stammt, was zu großen Herausforderungen in Bezug auf den Schutz und die Sicherheit der Daten führt. Mit Unterstützung durch das Marie-Skłodowska-Curie-Maßnahmenprogramm soll das QSDL-Projekt diese Herausforderung angehen, indem ein praktisches Protokoll für informationstheoretisch sichere KI-Berechnungen entwickelt wird. Durch die Nutzung der Quanteneigenschaften des Lichts und die Verwendung herkömmlicher Telekommunikationskomponenten bleiben sowohl die sensiblen Daten der Kundschaft wie auch die urheberrechtlich geschützten KI-Modelle der Server geschützt, da strenge Grenzen für das Entweichen von Informationen festgelegt werden und gleichzeitig eine hohe Genauigkeit beibehalten wird. Das Protokoll wird an realen Geräten demonstriert und ebnet den Weg für datenschutzfreundliche Anwendungen im Gesundheitswesen und bei der Nutzung von KI-Ergebnissen.

Ziel

Deep Neural Networks (DNNs) have sparked a revolution across multiple domains. However, the escalating computational demands of advanced DNNs have led to the need for high-power consumption accelerators, which hinders their deployment on low-power devices. To enable advanced DNNs on such devices, the industry has resorted to offloading computationally intensive DNN inference to cloud servers. Nevertheless, this offloading architecture introduces vulnerabilities that compromise data security, presenting a pressing challenge, particularly in AI applications where data privacy is essential.
In response, I propose a pioneering approach that harnesses the quantum nature of light to establish a practical paradigm for information-theoretically secure deep learning, where clients safeguard their sensitive data, and servers protect their proprietary AI models. This project delves into information science, aiming to explore theoretically and experimentally whether quantum science can offer practical advantages in privacy-preserving inner products against limited adversaries. The innovative essence of this proposal lies in the demonstration of quantum private deep learning in Prof. Englund's lab at MIT, utilizing an optical network. The experimental validation of the protocol with real-life healthcare devices in collaboration with Prof. Katz (HUJI) will unlock a new era of machine learning applications, including the secure utilization of AI in healthcare (e.g. IBM's Watson, Aidoc’s aiOS) and AI assistance (e.g. ChatGPT, Bard). This work may also reshape regulations like the EU General Data Protection Regulation.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global Fellowships

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) HORIZON-MSCA-2024-PF-01

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Koordinator

THE HEBREW UNIVERSITY OF JERUSALEM
Netto-EU-Beitrag
€ 415 823,64
Adresse
EDMOND J SAFRA CAMPUS GIVAT RAM
91904 Jerusalem
Israel
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten

Partner (1)