L'apprentissage machine collaboratif permet à de multiples participants d'obtenir un aperçu global et précieux de leurs données partagées. Néanmoins, dans les applications sensibles aux données, il est primordial de maintenir la confidentialité tout au long du traitement des données, de la phase de formation du modèle à la phase d'inférence, en évitant toute forme de fuite d'informations sur les données d'apprentissage, le modèle appris ou les requêtes d'inférence. Dans cet article, nous présentons notre approche pour résoudre ce problème par le biais de PrivML, un outil de classification de bout en bout des données externalisées préservant la confidentialité des données par rapport aux données cryptées. Nous présentons quelques résultats préliminaires comparant notre proposition avec des solutions de pointe ainsi qu'un aperçu de notre plan de recherche prospectif.

Site Web de la Conférence :

https://dsn2020.webs.upv.es/

Lien vers le papier : 

https://hal.archives-ouvertes.fr/hal-02886063