Descrizione del progetto
Nuovi metodi di tutela della privacy per grandi quantità di dati
La privacy è una delle principali preoccupazioni per la sicurezza in materia di megadati, dal momento che non è possibile applicare metodi di sicurezza tradizionali a un grande volume e una grande varietà di dati. In questo contesto, il progetto MUSKATEER, finanziato dall’UE, creerà una piattaforma di apprendimento automatico convalidata, federata e rispettosa della riservatezza, testata su dati industriali, che sarà interoperabile e scalabile. L’obiettivo è ridurre le barriere alla condivisione dei dati utilizzando set di dati decentralizzati, impiegando l’apprendimento automatico. Ad esempio, i dati possono continuare a essere archiviati in luoghi diversi con diversi vincoli di privacy, ma condivisi in modo sicuro. Il progetto creerà modelli di apprendimento automatico su una varietà di scenari di tutela della privacy, oltre a fornire un’architettura standardizzata ed estensibile.
Obiettivo
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.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- scienze naturaliinformatica e scienze dell'informazioneintelligenza artificialeapprendimento automatico
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Programma(i)
Invito a presentare proposte
(si apre in una nuova finestra) H2020-ICT-2018-20
Vedi altri progetti per questo bandoBando secondario
H2020-ICT-2018-2
Meccanismo di finanziamento
RIA - Research and Innovation actionCoordinatore
D15 HN66 DUBLIN
Irlanda