Ausgangssituation:

Federated Learning bietet eine aussichtsreiche Alternative zu zentralisiertem Machine Learning, die es erlaubt Daten unterschiedlicher Akteure unter Einhaltung von Datenschutzaspekten zu nutzen. Dabei werden statt der Daten trainierte Modelle übertragen, gesammelt und kombiniert. Durch das lokale Training der Modelle müssen keine Daten preisgegeben werden. Das Prinzip bringt jedoch auch Limitationen mit sich, wie etwa eine mögliche Rekonstruktion der Daten aus den kommunizierten modellinternen Gradienten sowie eine Anfälligkeit des Systems gegenüber manipulierten Trainingsdaten.

Aufgabenstellung:

Ziel der Arbeit ist es, diese und weitere sicherheitskritische Aspekte beim Federated Learning anhand einer Literaturrecherche zu erfassen. Es sollen zudem geeignete Methoden zur Bekämpfung dieser Bedrohungen ermittelt und evaluiert werden.

Schwerpunkte der Arbeit können umfassen:

  • Literaturrecherche zur aktuellen Forschung im Bereich Federated Learning
  • Identifikation und Charakterisierung möglicher Bedrohungen beim Federated Learning wie etwa Gradient Leakage und Data Poisoning Attacks
  • Recherche zu Methoden zur Verhinderung von Gradient Leakage wie z. B. Homomorphic Encryption, Differential Privacy, Secure Aggregation und Secure Multiparty Computation sowie geeigneten Hyperparametern
  • Identifizierung und beschreiben von Methoden zur Entdeckung von Data Poisoning wie etwa Clustering von Gradienten und Nutzung eines Benchmark-Datensatzes
  • Verhinderung von Data Poisoning durch Anreizsystem
  • Implementierung gewählter Ansätze

Benefits:

  • Theoretisch 100%-Remote-Work möglich
  • Umfassender Einblick in eine innovative Methode, um die Kooperation von Unternehmen bei ML-Ansätzen unter Einhaltung von Datenschutzaspekten zu fördern
  • Nach Wunsch praktische Implementierung identifizierter Methoden

Voraussetzungen / Vorkenntnisse:

  • Sehr gute Kenntnisse der deutschen oder englischen Sprache
  • Strukturierte und selbstständige Arbeitsweise
  • Idealerweise Kenntnisse im Bereich Federated Learning (nicht erforderlich)

 Bewerbung:

Bewerbungen bitte mit Lebenslauf und aktueller Fächerübersicht per E-Mail an Ben.Rachinger@faps.fau.de. Für weitere Informationen über Umfang und genaue Ausrichtung der Arbeit stehe ich gerne für ein persönliches Gespräch zur Verfügung.

Kategorien:

Forschungsbereich:

Elektronikproduktion

Art der Arbeit:

Bachelorarbeit, Masterarbeit, Projektarbeit

Kontakt:

Ben Rachinger, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)