Datentreuhänder (DT) ist ein Begriff, welche sich in den letzten Jahren immer weiter im Bereich sicheren und nicht gewinnorientierter Datenaustausch etabliert. Auf der anderen Seite gibt es ein enormes Forschungsfeld von sicheren Maschinellen Lernverfahren (SML), welche den Datenschutz der lokalen Daten stark erhöhen bzw. durch Kompression die Menge an zu übertragenden Daten reduzieren.
Themen/ Anwendungsfälle:
- Analyse von Integrationsmöglichkeiten von DT mit sicheren Datenaustausch und SML
- Analyse für Umsetzung einer sicheren Trainingsumgebung firmenintern und/oder übergreifend bzgl. Datensicherheit/ Zero Trust und Netzwerkverkehrsentlastung
- Benchmarking von verschiedenen SML und Föderierten Lern-Frameworks bzgl. Kompression, Datensicherheit, Nutzerfreundlichkeit, Erweiterbarkeit in der Industrie 4.0
- Benchmarking verschiedener Trainings- und Föderierten-Lernalgorithmen aus der Literatur am Beispiel von Anomalie Erkennung in der Industrie 4.0
- Arbeit über sichere Datenvorverarbeitungstechniken für z.B. Skalierung der Daten und Benchmarking der Ergebnisse
- Weitere Themen auf Nachfrage