http://it-forensik.fiw.hs-wismar.de/index.php?action=history&feed=atom&title=Kristin_Dahnken 2026-10-31T11:01:26Z Versionsgeschichte dieser Seite in IT-Forensik Wiki MediaWiki 1.43.11 http://it-forensik.fiw.hs-wismar.de/index.php?title=Kristin_Dahnken&diff=3133&oldid=prev 2024-11-21T19:46:36Z

<p></p> <table style="background-color: #fff; color: #202122;" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="de"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← Nächstältere Version</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">Version vom 21. November 2024, 19:46 Uhr</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l1">Zeile 1:</td> <td colspan="2" class="diff-lineno">Zeile 1:</td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>Master Thesis, Hochschule Wismar, <del style="font-weight: bold; text-decoration: none;">Septmeber </del>2024</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>Master Thesis, Hochschule Wismar, <ins style="font-weight: bold; text-decoration: none;">September </ins>2024</div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>Autor: Kristin Dahnken</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>Autor: Kristin Dahnken</div></td></tr> </table>

Etduen http://it-forensik.fiw.hs-wismar.de/index.php?title=Kristin_Dahnken&diff=3129&oldid=prev 2024-11-21T19:43:04Z

<p>Die Seite wurde neu angelegt: „Master Thesis, Hochschule Wismar, Septmeber 2024 Autor: Kristin Dahnken Titel: &#039;&#039;&#039;Privacy-Preserving Machine Learning in the Cloud: An Evaluation of Garbled Circuits for Secure Multi-Party Computation&#039;&#039;&#039; Abstrakt Machine Learning hat sich zu einem wichtigen Werkzeug verschiedenster Forschungs- bereiche entwickelt, wie etwa der Medizin oder der Informationssicherheit. Dennoch bringt die Verwendung von Cloud-Diensten zum Machine Learning noch einige Pro…“</p> <p><b>Neue Seite</b></p><div>Master Thesis, Hochschule Wismar, Septmeber 2024<br /> <br /> Autor: Kristin Dahnken<br /> <br /> Titel: &#039;&#039;&#039;Privacy-Preserving Machine Learning in the Cloud: An Evaluation of Garbled Circuits for Secure Multi-Party Computation&#039;&#039;&#039;<br /> <br /> Abstrakt<br /> <br /> Machine Learning hat sich zu einem wichtigen Werkzeug verschiedenster Forschungs-<br /> bereiche entwickelt, wie etwa der Medizin oder der Informationssicherheit. Dennoch<br /> bringt die Verwendung von Cloud-Diensten zum Machine Learning noch einige Prob-<br /> leme mit sich, beispielsweise bei der Verwendung von sensiblen Trainingsdaten, da<br /> die Kontrolle über den Schutz dieser oft in den Händen des Cloud-Anbieters liegt.<br /> Auch sollen nicht alle Parteien die an einem kollaborativen Training eines Modells<br /> beteiligt sind, die Daten der jeweils anderen Parteien einsehen können.<br /> Um diesem Problem zu begegnen und sensible Daten während des Trainingsprozesses<br /> zu schützen, stellt diese Masterarbeit einen Proof of Concept vor, der Garbled Cir-<br /> cuits in diesen Prozess integriert. Ziel ist es, sowohl die Machbarkeit als auch die<br /> Sicherheit dieser Integration anhand einer beispielhaften Implementierung eines ein-<br /> fachen linearen Regressionsmodells zu zeigen. Darüber hinaus werden auch Limi-<br /> tierungen, Vorteile und mögliche zukünftige Anwendungen dieser Implementierung<br /> diskutiert.<br /> <br /> Abstract<br /> <br /> Machine learning has become an important tool in research across various domains,<br /> from medicine to cybersecurity. However, the use of cloud services for machine<br /> learning poses challenges when dealing with sensitive data, as control over data<br /> privacy is in the hands of the cloud provider. Additionally, not all parties involved<br /> in developing or training a model should have access to the full training data.<br /> To address this problem and protect sensitive data during the training process of a<br /> machine learning model, this master’s thesis presents a proof of concept that incor-<br /> porates garbled circuits into the aforementioned process. The aim is to demonstrate<br /> that the usage of garbled circuits is both feasible and secure by detailing an ex-<br /> emplary implementation of a simple linear regression model. This work will also<br /> discuss limitations, advantages and possible future applications.<br /> <br /> [[Media:MT_kdahnken.pdf.pdf|Download PDF-Dokument]] <br /> <br /> [[Media:MTP_kdahnken.pdf|Download Folien-PDF-Dokument]]</div>

Etduen