МОТИВАЦИЈА
У овој дигиталној ери, где је број људи који користе различите дигиталне услуге и алате већи него икада раније, постоје могућности за прикупљање великих количина података у статистичке сврхе и идентификацију образаца понашања. Ови подаци могу се користити за даљу анализу и доношење одлука од стране заинтересованих страна из различитих сектора укључујући малопродају, транспорт, здравство, осигурање, медије и забаву или јавне секторе као што су медицинска истраживања, демографска статистика итд.
Коришћење доступних великих количина корисничких података је веома ограничено због забринутости за приватност, што је разлог зашто се подаци држе изоловано на острвима система, а нису доступни за секундарну употребу и обраду. Штавише, пракса је показала да се у многим сценаријима подацима неправедно приступа и деле са трећим странама, па чак и када постоји сагласност за обраду података, модели учења укључују проксије који су нетачни, пристрасни и често неправедни.
Зашто Харпократ
Пројекат ХАРПОЦРАТЕС, фокусира се на постављање темеља дигитално слепих система евалуације који ће, по дизајну, елиминисати проксије као што су географија, пол, раса и други и на крају имати опипљив утицај на изградњу праведнијих, демократских и непристрасних друштава. Да бисмо то урадили, планирамо да дизајнирамо неколико практичних криптографских шема (функционално шифровање и хибридно хомоморфно шифровање) за анализу података на начин који чува приватност.
Поред обраде статистичких података на начин који чува приватност, такође желимо да омогућимо богатији, уравнотеженији и свеобухватнији приступ где аналитика података и криптографија иду руку под руку са померањем ка повећању приватности.
Приватизовати базе података
У ХАРПОЦРАТЕС-у ћемо прво показати како ефикасно комбиновати криптографију са принципима диференцијалне приватности да бисмо обезбедили и приватизовали базе података.
Шифровани подаци
Затим ћемо изградити моделе машинског учења који чувају приватност и могу да класификују шифроване податке извођењем предвиђања високе прецизности директно на шифрованим текстовима у федералним просторима података.
Дељење података
Коначно, да бисмо показали како ова решења одговарају потребама корисника, ми ћемо применити два реална сценарија прекограничне размене података у вези са анализом здравствених података за медицину за спавање и обавештајне податке о претњама за локалне власти.
Екосистем
Штавише, Харпоцратес ће изградити екосистем користећи постојеће екосистеме и заједнице, и на тај начин минимизирати количину рада и ресурса који су потребни да би се допринијело јачању капацитета за сајбер безбједност и суверенитета ЕУ у дигиталним технологијама.
Циљеви пројекта
Доступност великих података у комбинацији са напретком у вештачкој интелигенцији (АИ) омогућава широке могућности и приватним и јавним актерима. Међутим, међуорганизацијска и прекогранична дељење података у складу са ГДПР-ом је све теже, пошто прикупљање грануларних, вишедимензионалних личних података испуњава побољшане могућности за унакрсно повезивање скупова података.
ХАРПОЦРАТЕС користи нове криптографске шеме да унапреди могућности машинског учења за очување приватности (ППМЛ) и федералног учења (ФЛ), чиме омогућава децентрализовану обуку, валидацију и предвиђање шифрованих података. Такве услуге које чувају приватност и безбедно рачунање омогућавају корисницима да имају користи од машинске интелигенције засноване на облаку и задрже контролу над подацима.
ХАРПОЦРАТЕС ће омогућити дигитално слепе системе евалуације демонстриране у практичним сценаријима примене, помажући у изградњи праведнијих, демократских и непристраснијих друштава.
Наши циљеви
Дизајнирајте ефикасне шеме функционалног шифровања које скривају функцију.
Комбинујте функционално шифровање и диференцијалну приватност за приватне шифроване базе података.
Дизајнирајте практичну шему хибридног хомоморфног шифровања за више клијената.
Изградите оквир за машинско учење који чува приватност комбинујући функционално шифровање и хибридно хомоморфно шифровање.
Византијска робусна шема федералног учења са гаранцијама приватности података.
Студије случаја из стварног света и допринос отвореној науци и репродуктивном истраживању.
Допринесите скалабилној аутоматизованој усклађености са ГДПР-ом.