Promotie Afsana Khan

Trefwoorden: Gefedereerd leren, Dataprivacy, Verspreide data, Verantwoorde AI

"Unlocking Value of Data with Vertical Federated Learning"

Gegevens die organisaties kunnen helpen om risico’s te detecteren, diensten te verbeteren of betere beslissingen te nemen, zijn vaak verspreid over verschillende bedrijven en instellingen. Het samenvoegen van deze gegevens op één plek is echter niet eenvoudig. De data kunnen immers persoonsgegevens, gevoelige informatie of bedrijfsgeheimen bevatten en is vaak beschermd door privacy-, beveiligings-, juridische of bedrijfsmatige beperkingen. 

Federated learning biedt een oplossing. Deze privacyvriendelijke benadering van machine learning helpt organisaties om samen een gedeeld model te ontwikkelen voor voorspellingen of beslissingsondersteuning, zonder dat ze hun data hoeven af te staan. 

Afsana Khan onderzocht verticaal federated learning, een methode die wordt toegepast wanneer de benodigde informatie voor een beslissing complementair 

is verdeeld over verschillende organisaties. In dergelijke gevallen heeft geen enkele organisatie het volledige plaatje, maar kan samenwerking leiden tot betere, beter onderbouwde beslissingen. Haar onderzoek gaat in op praktische uitdagingen: welke organisaties moeten deelnemen, hoe onnodige datadeling kan worden beperkt, hoe deelnemers eerlijk beloond kunnen worden en hoe om te gaan met de complexiteit van realistische dataverdelingen.

Klik hier voor de livestream.