Kontrolliertes Data Sharing muss sicherstellen, dass keine ungewollte Information preisgegeben wird. Traditionelle Ansätze zum Schutz der Privatsphäre vor der Weitergabe von Daten bestehen in der Aggregation von Daten, dem Entfernen von Identifikatoren, dem Ändern von Quasi-Identifikatoren und dem Stören von Werten. Diese Methoden sind jedoch anfällig für Angreifer mit Hintergrundwissen, z. B. durch die Verknüpfung von Datensätzen mit anderen wo Datensätze nicht de-identifiziert wurden. Eine Alternative besteht darin, datenschutzfreundliche synthetische Daten zu generieren, die den realen Quelldaten hinreichend ähnlich sind und zum Trainieren von ML-Modellen mit einem minimalen Leistungseinbruch verwendet werden können. In letzter Zeit gab es vielversprechende Bemühungen in diesem Bereich, die Generative Adversarial Networks (GANs) und deren Weiterentwicklungen zur Erfassung der Verteilung eines Datensatzes verwenden. Trotz der oben genannten Fortschritte bleiben Fragen bezüglich des Ausmaßes, in dem GANs anfällig für Angriffe auf Mitgliedschaftsinferenzen sind. Die Literatur unterschedidet vier Angriffsmodelle, einschließlich i.) Vollständiger Black-Box-Generator, ii.) Partieller Black-Box-Generator, iii.) White-Box-Generator und iv.) Zugriff auf die gesamte Architektur des GANs. Von den vier Angriffsmodellen wurde der partielle Blackbox-Generator-Angriff in der Literatur selten berücksichtigt. Wir wollen untersuchen, inwieweit man einen Agenten darauf trainieren kann, im latenten Eingaberaum zu navigieren und Eingabesaatwerte zu finden, um Samples zu finden, die sich einem gegebenen Zielsamples annähern.

‍

Der Datenaustausch zwischen cyber-physischen Systemen in Produktionsanlagen erfordert ein gemeinsames Verständnis der ausgetauschten Daten. Mithilfe von Ontologien und angelehnt an die ZVEI/Industrie 4.0 Konzepte RAMI4.0 und Verwaltungsschale können wir mit Ihnen im Rahmen eines Projektes ein wissensbasiertes Datenaustauschszenario zwischen Maschinen, Sensoren, Förderanlagen und Aktoren realisieren.

Die gemeinsame Nutzung von Daten durch föderiertes Lernen ist ein attraktives Modell, da hierbei die Daten gegenüber von anderen Formen des Data Sharing nicht preisgegeben werden müssen. Aus diesem Grund wird das Thema Datenbewertung für diese Form des Lernens weiter untersucht. Beim föderierten Lernen ist es besonders im Produktionsumfeld von großem Interesse einen fairen Wert der bereitgestellten Daten zu ermitteln, um Maschinenbetreiber zur Teilnahme zu motivieren. Grundsätzlich gibt es zur Datenbewertung beim föderierten Lernen zwei verschiedene Ansätze. Beim ersten Ansatz erhalten alle Teilnehmer nach erfolgtem Training, dasselbe Modell als Ergebnis und mittels einer Metrik wird ermittelt wie groß der Beitrag der einzelnen Datensätze dazu war. Zu diesem Zweck wurden bereits verschiedene Metriken vorgeschlagen (z.B. Bewertungsregeln, Peer Prediction, Baysian Truth Serum oder Correlated Agreement). Anschließend schaffen die Teilnehmer entsprechend ihres Beitrages einen monetären Ausgleich. Ein anderer Ansatz ist es eine intrinsische Motivation zu schaffen, nützliche Daten bereitzustellen, indem die Teilnehmer am Ende nicht alle dasselbe Modell erhalten, sondern eines das ihrem individuellen Beitrag entspricht. Die erstellten Modelle sind in der Regel besser als, wenn jeder Teilnehmer unabhängig ein Modell nur auf seinen Daten trainiert hätten. Auf diese Weise, bietet das Föderierte-Lernen allen Teilnehmern einen Vorteil ohne Gefahr zu laufen Wettbewerbsvorteile zu verlieren. Wegen des bereits genannten Mangels an öffentlichen Datensätzen existiert bisher keine Untersuchung welches Verfahren zur Datenbewertung im Produktionsumfeld am besten geeignet ist.

‍