SID: Säker datadelning för Industriell Digitalisering

Differentiell integritet och federerad maskininlärning är lovande metoder för att skydda känsligt data, men det finns idag hinder för bred användning av dessa tekniker inom svensk industri. Tekniken kan lätt missförstås och felanvändas. Sådana missförstånd leder ibland till integritetsgarantier utan praktiskt värde som ändå kan ge intryck av att data är skyddat. Beräkning- och kommunikationsprestanda kan också vara en utmaning när integritetsbevarande mekanismer tillämpas tillsammans med distribuerad maskininlärning.

Det här projektet kommer att genomföra fallstudier med verkliga datamängder och genomföra integritets- och prestandaanalyser av differentiell integritet och federerad maskininlärning. Fallstudierna, med tillhörande analys och identifiering av fallgropar, kommer fungera som en praktisk vägledning för tillämpningen av integritetsbevarande dataanalys. Målet är att göra integritetsbevarande tekniker redo för utbredd användning i svensk industri och i förlängningen främja datadriven utveckling genom att möjliggöra ökad användning av känsligt data för analys och maskininlärning.