10 августа 2023
—
заканчивается
10 октября 2023
Проект
Разработчик
Другие разработчики
Автономная некоммерческая организация «Институт развития информационного общества»
Технический комитет
Международные аналоги
Настоящий стандарт разработан на основе международного документа МСЭ-Т F.748.13 (2021) «Техническая структура федеративной системы машинного обучения» (Recommendation ITU-T F.748.13 (2021), Technical framework for a shared machine learning system).
ОКС/МКС/ISO
ОКС 35.020
Описание
В настоящей Рекомендации определено понятие «федеративной системы машинного обучения», а также определены роли, технические требования и требования по безопасности, технические архитектуры, функциональные компоненты и процедуры обработки федеративной системы машинного обучения при централизованном и децентрализованном режимах работы. В Приложении также описаны варианты использования федеративных систем машинного обучения.
1 обсуждение
Публичное обсуждение проекта продлится до 10 октября 2023 г.
В федеративных системах машинного обучения (SML-системах) несколько участников совместно используют зашифрованные данные и/или обмениваются параметрами моделей с целью обеспечить безопасность данных и защиту персональных данных. Чтобы обеспечить наиболее эффективное использование данных, зашифрованные данные каждой стороны и/или предоставленные ею параметры моделей собираются и используются для обучения модели федеративного машинного обучения. Модели федеративного машинного обучения продолжают обучаться в интересах само-оптимизации, а участники или иные лица, авторизованные на доступ к модели, могут вводить информацию для получения результатов или прогнозов на основе совместно используемых значений. Федеративные системы машинного обучения могут, например, применяться (не ограничиваясь ими) в мультимедийных и игровых приложениях (media applications).
Федеративные системы машинного обучения позволяют ряду сторон использовать для обучения моделей систем машинного обучения данные, имеющиеся в их распоряжении, не раскрывая при этом друг другу самих данных. Данная особенность полезна в ситуациях, когда требуется обеспечить защиту содержащейся в данных конфиденциальной информации и особенно персональных данных.