Datenschutz

Anonymisierung ist der Prozess, bei dem persönliche Kennungen aus Daten entfernt werden, um die Privatsphäre einzelner Personen zu schützen.

Ein Client Privacy Budget ist ein Rahmenwerk zur Verwaltung des Datenschutzes bei der Nutzung von Benutzerdaten während des KI-Trainings und -Einsatzes.

Client-Side Learning involves processing and learning from data directly on a user's device.

Datenanonymisierung ist der Prozess, persönliche Informationen zu entfernen oder zu verändern, um die Privatsphäre zu schützen, während die Nutzbarkeit der Daten erhalten bleibt.

Datenhändler sammeln, analysieren und verkaufen persönliche Daten aus verschiedenen Quellen.

Datenminimalismus ist die Praxis, nur die wesentlichen Daten für Entscheidungen und Analysen zu sammeln und zu verwenden.

Datenverschleierung ist eine Technik, die verwendet wird, um sensible Informationen zu schützen, indem sie unverständlich oder schwer interpretierbar gemacht werden.

Datenschutz bezieht sich auf die Verwaltung und den Schutz persönlicher Informationen vor unbefugtem Zugriff und Missbrauch.

Datenaufbewahrung bezieht sich auf die Richtlinien und Praktiken rund um die Speicherung und Verwaltung von Daten im Laufe der Zeit.

Anonymisierung ist der Prozess, bei dem persönliche Informationen aus Datensätzen entfernt oder verschleiert werden.

Differential Privacy ist ein mathematisches Rahmenwerk, das die Privatsphäre einzelner Daten gewährleistet, während gleichzeitig Datenanalysen ermöglicht werden.

Digital Fingerprinting ist eine Technik, die verwendet wird, um Geräte anhand einzigartiger Geräteigenschaften zu identifizieren und zu verfolgen.

Eine Expositionsmetrik quantifiziert das Risiko oder die potenzielle Auswirkung von KI-Modellen auf sensible Daten und den Datenschutz der Nutzer.

Federated Averaging ist eine dezentrale Technik des maschinellen Lernens, die Modellaktualisierungen von verschiedenen Geräten aggregiert, ohne Daten zu teilen.

Der föderierte Durchschnitts-Algorithmus ist eine Methode zum Trainieren von maschinellen Lernmodellen auf dezentralen Geräten, ohne Rohdaten zu teilen.

Föderierte Gesundheitswesen KI ermöglicht kollaboratives maschinelles Lernen über mehrere Gesundheitseinrichtungen hinweg, ohne sensible Daten zu teilen.

Föderiertes Lernen ist ein maschinelles Lernverfahren, bei dem Algorithmen auf dezentralen Geräten trainiert werden, ohne Rohdaten zu teilen.

K-Anonymität ist eine Datenschutztechnik, die sicherstellt, dass Einzelpersonen in Datensätzen nicht wiedererkannt werden können.

L-Diversity ist eine Technik zum Schutz der Privatsphäre, die sensible Informationen schützt, indem sie für vielfältige sensible Attribute in Datensätzen sorgt.

Lokale Sensitivität misst, wie eine kleine Änderung in der Eingabe die Ausgabe einer Funktion beeinflusst, und wird häufig im Datenschutz verwendet.

Modellinversion ist eine Technik, die verwendet wird, um sensible Daten aus maschinellen Lernmodellen zu extrahieren.

Online-Tracking bezieht sich auf die Sammlung und Analyse von Benutzerdaten während des Surfens im Internet.

PII-Erkennung identifiziert und schützt persönlich identifizierbare Informationen in Daten.

KI-Systeme, die entwickelt wurden, um Benutzerdaten zu schützen und die Vertraulichkeit während der Verarbeitung und Analyse zu wahren.

Die Redaktion ist der Prozess des Bearbeitens von Texten, um vor der Veröffentlichung sensible Informationen zu entfernen.

Eine Methode, die es mehreren Parteien ermöglicht, aggregierte Daten zu berechnen, ohne einzelne Beiträge offenzulegen.

Sichere Multi-Party-Berechnung ermöglicht es Parteien, gemeinsam Daten zu berechnen, während sie ihre Eingaben privat halten.

Split Learning ist ein kollaborativer Ansatz des maschinellen Lernens, bei dem der Trainingsprozess zwischen mehreren Parteien aufgeteilt wird.