Helsingin yliopisto

Uusi tekoälymenetelmä pitää huolen siitä, että data pysyy yksityisenä

Jaa

Helsingin yliopiston, Aalto-yliopiston ja tokiolaisen Waseda-yliopiston tutkijoiden kehittämä uusi koneoppimismenetelmä pystyy hyödyntämään esimerkiksi kännyköille hajautettua tietoa niin, että kaikkien datassa edustettujen yksilöiden yksityisyys voidaan turvata.

Moderni tekoäly perustuu koneoppimiseen, joka luo malleja oppimalla datasta. Monissa esimerkiksi terveyteen ja ihmisten käyttäytymiseen liittyvissä tietokonesovelluksissa tarvittu data sisältää yleensä myös yksityistä tietoa, jota pitää suojata. Viime vuosina suojauksen takaamiseksi on kehitetty differentiaalisen yksityisyyden käsitteeseen perustuvia niin sanottuja yksityisyystietoisia koneoppimismenetelmiä, jotka takaavat sen, ettei julkaistu malli tai tulos paljasta kuin rajoitetusti informaatiota kustakin datassa edustetusta yksilöstä.

- Aiemmin data on ensin pitänyt kerätä yhdelle taholle, jolla on rajaton pääsy kaikkeen, kun nyt esitetty uusi menetelmämme mahdollistaa tarkkojen mallien luomisen esimerkiksi käyttäjien omille laitteille hajautetusta datasta ilman, että yksityistä dataa tarvitsee paljastaa kenellekään ulkopuoliselle, kertoo apulaisprofessori Antti Honkela Helsingin yliopistosta.

Helsingin yliopiston ja Aalto-yliopiston tutkijaryhmä on soveltanut yksityisyystietoisia menetelmiä muun muassa syöpälääkkeiden tehon ennustamiseen geenien aktiivisuuden perusteella.

- Olemme kehittäneet näitä menetelmiä Suomen Akatemian rahoituksella muutaman vuoden, ja nyt alkaa näyttää erittäin lupaavalta. Isosta datasta oppiminen on helpompaa, ja nyt oppiminen alkaa olla mahdollista pienestäkin datasta, sanoo akatemiaprofessori Samuel Kaski Aalto-yliopistosta.

Tutkijoiden menetelmä julkaistiin ja esiteltiin joulukuun alkupuolella Yhdysvalloissa järjestetyssä koneoppimisen vuosittaisessa pääkonferenssissa NIPS:issä: https://nips.cc/

Kuva: Eliel Kilkki

Artikkeliviite: M. Heikkilä, E. Lagerspetz, S. Kaski, K. Shimizu, S. Tarkoma, A. Honkela. Differentially private Bayesian learning on distributed data. In Advances in Neural Information Processing Systems 30 (NIPS 2017). http://papers.nips.cc/paper/6915-differentially-private-bayesian-learning-on-distributed-data

Lisätietoja antaa apulaisprofessori Antti Honkela, 050 311 2483, @ahonkela antti.honkela@helsinki.fi

Ystävällisin terveisin
Minna Meriläinen-Tenhu, 050 415 0316, @MinnaMeriTenhu, minna.merilainen@helsinki.fi

Avainsanat

Yhteyshenkilöt

Kuvat

Tietoja julkaisijasta

Helsingin yliopisto
Helsingin yliopisto
PL 33
00014 Helsinki

02941 911 (vaihde)http://www.helsinki.fi/yliopisto

Tilaa tiedotteet sähköpostiisi

Haluatko tietää asioista jo ennen kuin ne uutisoidaan? Kun tilaat tiedotteemme tältä julkaisijalta, saat ne sähköpostiisi yhtä aikaa suomalaisen median kanssa. Tilauksen voit halutessasi perua milloin tahansa.

Lue lisää julkaisijalta Helsingin yliopisto

Ylioppilas valintojen pyörteissä – uusi kirja antaa ajankohtaista tietoa koulutuspoliittiseen keskusteluun23.1.2018 12:38Kutsu

Uunituore Ylioppilas valintojen pyörteissä-teos tarjoaa ajankohtaista tietoa lukiokoulu-tuksen ja ylioppilastutkinnon kehittämistä koskevan koulutuspoliittisen keskustelun ja päätöksenteon tueksi. Kirjan julkistamistilaisuus järjestetään maanantaina 29.1. klo 10 Helsingin yliopiston päärakennuksen etulämpiössä (käynti Unioninkatu 33 ovista). Tervetuloa!

Uutishuoneessa voit lukea tiedotteitamme ja muuta julkaisemaamme materiaalia. Löydät sieltä niin yhteyshenkilöidemme tiedot kuin vapaasti julkaistavissa olevia kuvia ja videoita. Uutishuoneessa voit nähdä myös sosiaalisen median sisältöjä. Kaikki STT Infossa julkaistu materiaali on vapaasti median käytettävissä.

Tutustu uutishuoneeseemme