الملخص أدت السرعة في اعتماد التعلم الآلي (ML) في أمن المعلومات إلى تحسين كبير في قدرات اكتشاف التهديدات والاستجابة لها. ومع ذلك، غالبًا ما تتطلب أنظمة الأمان القائمة على ML التقليدية جمع بيانات مركزي، مما يؤدي إلى مخاطر خطيرة على الخصوصية مثل تسرب البيانات، الوصول غير المصرح به، وعدم الامتثال للأنظمة. تستكشف هذه الورقة نماذج التعلم الآلي المتخصصة في الخصوصية لأمن المعلومات، مع التأكيد على التقنيات التي تضمن سرية البيانات مع الحفاظ على دقة الاكتشاف. يتم تحليل الأساليب مثل التعلم المتحد، والخصوصية التفاضلية، والتشفير المتجانس، والحساب الآمن متعدد الأطراف في سياق اكتشاف التسلل، وتصنيف البرمجيات الضارة، واكتشاف الشذوذ. تسلط الدراسة الضوء على التبادلات بين الخصوصية والأداء والعبء الحاسوبي، وتناقش التحديات الواقعية في تنفيذ أنظمة ML التي تحافظ على الخصوصية. تشير النتائج إلى أن إطارات ML التي تدرك الخصوصية ضرورية لبناء حلول أمن معلومات موثوقة وقابلة للتوسع ومتوافقة مع اللوائح.
درس راديكا وآخرون (Sat) هذا السؤال.