Datenschutzfreundliche Techniken des maschinellen Lernens: Kryptografische Ansätze, Herausforderungen und zukünftige Richtungen

Datenschutzfreundliches maschinelles Lernen (PPML) ist ein zentrales Element verantwortungsvoller KI, da es das Training und die Inferenz von Modellen unterstützt, ohne vertrauliche Informationen preiszugeben. Diese Umfrage präsentiert eine umfassende Untersuchung der wichtigsten kryptografischen PPML-Techniken und führt eine einheitliche Taxonomie ein, die technische Modelle, Prüfungs kriterien und Bewertungs dimensionen abdeckt. Die Studie konsolidiert Ergebnisse sowohl aus Umfragen als auch aus experimentellen Arbeiten mithilfe strukturierter Vergleichstabellen und betont, dass die aktuelle Forschung zunehmend hybride und verifizierbare PPML-Entwürfe annimmt. Darüber hinaus kartieren wir PPML-Anwendungen in Bereichen wie Gesundheitswesen, Finanzen, Internet der Dinge (IoT) und Edge-Systemen und zeigen, dass sich kryptografische Ansätze zunehmend von theoretischen Konstrukten zu einsetzbaren Lösungen entwickeln. Schließlich skizziert die Umfrage neue Trends – einschließlich des Wachstums von auf Zero-Knowledge-Proofs (ZKPs) basierender Verifizierung und von domänenspezifischen hybriden Architekturen – und identifiziert praktische Überlegungen, die die Verbreitung von PPML in realen Systemen prägen.