Investiga ataques de model inversion sobre un modelo de salud anonimizado
Visión general
De qué trata este proyecto.
Implementa ataques de model inversion y membership inference en un modelo de salud, aplica defensa DP-SGD y obtén tu certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Cuantificar la vulnerabilidad del modelo de diagnóstico a model inversion y membership inference, y evaluar DP-SGD como defensa.
Earning criteria — what you'll demonstrate
- Implementar ataques de privacidad clásicos sobre un modelo real
- Cuantificar vulnerabilidad de modelos a inferencia sobre datos de entrenamiento
- Evaluar DP-SGD como defensa práctica con métricas honestas
- Producir informe de research que un comité de ética pueda usar
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Privacy-Preserving Machine Learning
Master · Ai Ml
Fit score: 1
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 canónicosInvestigador/a en Seguridad de IA
Auditar modelos con ataques de inversion y membership inference es trabajo nuclear del AI safety researcher en salud y sectores sensibles.
Este proyecto afina
- model-inversion
- membership-inference
- privacy-attacks
Investigador/a en ML
Reproducir y extender ataques de privacidad de la literatura es trabajo de ML researcher orientado a seguridad.
Este proyecto afina
- privacy-attacks
- pytorch
- python
Científico/a de Investigación
Producir research honesto sobre vulnerabilidades, útil para un comité de ética, es exactamente el trabajo de un research scientist en privacidad aplicada.
Este proyecto afina
- differential-privacy
- privacy-attacks
- model-inversion