Description du projet
Nouvelles méthodes de préservation de la vie privée pour les données massives
La confidentialité constitue une préoccupation de sécurité majeure dans le domaine des mégadonnées. Il n’est en effet pas possible d’appliquer des méthodes de sécurité traditionnelles à un grand volume et à une grande variété de données. Dans ce contexte, le projet MUSKETEER, financé par l’UE, entend créer une plateforme d’apprentissage automatique validée, fédérée, respectueuse de la vie privée, testée sur des données industrielles, interopérable et évolutive. Son objectif est de limiter les obstacles au partage des données en utilisant des ensembles de données décentralisés, grâce à l’apprentissage automatique. Ainsi, les données peuvent toujours être stockées à différents endroits avec des contraintes de confidentialité différentes, mais partagées en toute sécurité. Le projet créera des modèles d’apprentissage automatique sur divers scénarios de préservation de la vie privée. Il apportera également une architecture standardisée et extensible.
Objectif
The massive increase in data collected and stored worldwide calls for new ways to preserve privacy while still allowing data sharing among multiple data owners. Today, the lack of trusted and secure environments for data sharing inhibits data economy while legality, privacy, trustworthiness, data value and confidentiality hamper the free flow of data. By the end of the project, MUSKETEER aims to create a validated, federated, privacy-preserving machine learning platform tested on industrial data that is inter-operable, scalable and efficient enough to be deployed in real use cases. MUSKETEER aims to alleviate data sharing barriers by providing secure, scalable and privacy-preserving analytics over decentralized datasets using machine learning. Data can continue to be stored in different locations with different privacy constraints, but shared securely. The MUSKETEER cross-domain platform will validate progress in the industrial scenarios of smart manufacturing and health. MUSKETEER strives to (1) create machine learning models over a variety of privacy-preserving scenarios, (2) ensure security and robustness against external and internal threats, (3) provide a standardized and extendable architecture, (4) demonstrate and validate in two different industrial scenarios and (5) enhance data economy by boosting sharing across domains. The MUSKETEER impact crosses industrial, scientific, economic and strategic domains. Real-world industry requirements and outcomes are validated in an operational setting. Federated machine learning approaches for data sharing are innovated. Data economy is fostered by creating a rewarding model capable of fairly monetizing datasets according to the real data value. Finally, Europe is positioned as a leader in innovative data sharing technologies.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatique
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) H2020-ICT-2018-20
Voir d’autres projets de cet appelSous appel
H2020-ICT-2018-2
Régime de financement
RIA - Research and Innovation actionCoordinateur
D15 HN66 DUBLIN
Irlande