Resumen

El Internet de las Cosas (IoT) es una de las últimas evoluciones de internet. La computación en la nube es una técnica importante que satisface la demanda computacional de los dispositivos/sensores del IoT ampliamente distribuidos mediante el empleo de diversos modelos de aprendizaje automático. Los métodos de descenso de gradiente son ampliamente utilizados para encontrar los coeficientes óptimos de un modelo de aprendizaje automático en la computación en la nube. Comúnmente, los datos están distribuidos entre múltiples propietarios de datos, mientras que la función objetivo es mantenida por el propietario del modelo. El propietario del modelo puede entrenar su modelo sobre los datos de los propietarios de datos y proporcionar predicciones. Sin embargo, la confidencialidad del conjunto de datos o de las funciones objetivo puede no mantenerse en secreto durante las computaciones. Por lo tanto, surgen amenazas de seguridad y riesgos de privacidad. Para abordar la privacidad de los datos y los modelos mencionados anteriormente, presentamos dos nuevos esquemas de métodos de desc

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Internet de las cosas; Computación en nube; Modelos de aprendizaje automático; Métodos de descenso de gradiente; Privacidad de datos; Privacidad de modelos
• Keywords:Internet of things; Cloud computing; Machine learning models; Gradient descent methods; Data privacy; Model privacy