Entrenamiento federado con seguridad agregada para banca móvil
Visión general
De qué trata este proyecto.
Implementa un entrenamiento federado horizontal sobre un modelo de fraude (modelo base proporcionado, MLP simple). Usa PySyft, Flower o tu propia implementación con PyTorch. Añade secure aggregation con secret sharing aditivo (o el protocolo de Bonawitz et al.) que impida al servidor leer gradientes individuales. Simula 500 clientes con datos heterogéneos. Mide: precisión vs centralizado, banda upload por ronda, número de rondas a convergencia, robustez si fallan 10% de clientes por ronda. Documenta el modelo de amenazas (servidor curioso, cliente malicioso). Entrega el código, scripts de simulación, gráficos de convergencia y un informe de 9 páginas con la recomendación.
El Briefing
Lo que harás y lo que demostrarás.
Prototipar federated learning con secure aggregation para entrenar un modelo de detección de fraude sin centralizar datos sensibles y producir evidencia para decisión de producción.
Earning criteria — what you'll demonstrate
- Diseñar e implementar entrenamiento federado horizontal
- Aplicar secure aggregation con secret sharing para proteger gradientes
- Cuantificar el coste de privacidad en precisión y banda
- Analizar robustez del esquema bajo abandono de clientes
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de Software
Prototipar federated learning con secure aggregation es una credencial muy distintiva que abre roles en fintech, salud y movilidad donde la privacidad es ventaja competitiva.
Este proyecto afina
- federated-learning
- secure-computation
- python
Ingeniero de Machine Learning
MLE con experiencia federada lleva proyectos donde centralizar datos es legal o políticamente imposible.
Este proyecto afina
- federated-learning
- ml-privacy
- pytorch