Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Quantum-secure multi-party deep learning

Description du projet

Protocoles résistants à l’informatique quantique pour une IA respectueuse de la vie privée

Les systèmes d’IA devenant plus puissants et largement déployés, les calculs sont davantage délégués entre les appareils, les institutions et les plateformes en nuage. Dans de nombreux cas, une seule partie détient les données alors que le modèle d’IA appartient à une autre partie, ce qui pose des problèmes de confidentialité et de sécurité majeurs. Avec le soutien du programme Actions Marie Skłodowska-Curie, le projet QSDL aborde cet enjeu en établissant un protocole pratique pour le calcul de l’IA sécurisé par la théorie de l’information. S'appuyant sur la nature quantique de la lumière et sur des composants de télécommunications conventionnels, il protégera à la fois les données sensibles des clients et les modèles d’IA exclusifs des serveurs en établissant des limites rigoureuses aux fuites d’informations tout en maintenant une grande précision. Le protocole fera l’objet d’une démonstration concrète, ouvrant la voie à des applications respectueuse de la vie privée dans les soins de santé et l’assistance IA.

Objectif

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.

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

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

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2024-PF-01

Voir tous les projets financés au titre de cet appel

Coordinateur

THE HEBREW UNIVERSITY OF JERUSALEM
Contribution nette de l'UE
€ 415 823,64
Coût total
Aucune donnée

Partenaires (1)