Opis projektu
Nowe metody ochrony prywatności danych masowych
Ochrona prywatności jest głównym problemem bezpieczeństwa, jeśli chodzi o technologię dużych zbiorów danych (Big Data). Do dużej ilości różnorodnych danych nie sposób zastosować tradycyjnych metod zabezpieczeń. W związku z tym zespół finansowanego ze środków UE projektu MUSKETEER opracuje zatwierdzoną, sfederowaną, chroniącą prywatność platformę uczenia maszynowego testowaną na danych przemysłowych, która cechuje się interoperacyjnością i skalowalnością. Celem jest zmniejszenie barier związanych z udostępnianiem danych poprzez wykorzystanie zdecentralizowanych zbiorów danych, z zastosowaniem uczenia maszynowego. Dane będą mogły być nadal przechowywane w różnych miejscach o różnych ograniczeniach prywatności, ale umożliwiając bezpieczne ich udostępnianie. W ramach projektu powstaną modele uczenia maszynowego w różnych scenariuszach ochrony prywatności. Projekt zapewni również znormalizowaną i rozszerzalną architekturę.
Cel
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.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-ICT-2018-2
System finansowania
RIA - Research and Innovation actionKoordynator
D15 HN66 DUBLIN
Irlandia