| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Privātumu saglabājošo mašīnmācīšanās metožu salīdzinošā analīze |
| Nosaukums angļu valodā |
Comparative Analysis of Privacy Preserving Techniques in Machine Learning |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Jānis Amoliņš |
| Recenzents |
Gusts Linkevičs |
| Anotācija |
Bakalaura darba veids: 1. tips
Strauja ieviešana mākslīgā intelekta un mašīnmācīšanās sistēmās, kas tiek apmācītas ar sensitīviem datiem, ir palielinājusi kritisko izaicinājumu privāto datu aizsardzībā.
Šī darba mērķis ir noteikt, kura no trim izvēlētajām privātuma saglabāšanas metodēm (privātums, federatīvā mācīšanās, homomorfā šifrēšana) ir vispiemērotākā trim galvenajām jomām: veselības aprūpe, finanses, dabiskās valodas apstrāde. Un novērtēt katru no šīm metodēm, pamatojoties uz četriem izvēlētiem kritērijiem, kuriem piešķirti svari: privātuma aizsardzības stiprums, modeļa precizitāte un lietderības zudums, skaitļošanas izmaksas, kā arī atbilstība regulējumam un jomas piemērotība. Šie vērtējumi ir iegūti no dažādām recenzētām publikācijām, kas ir balstītas uz pierādījumiem. Pamatojoties uz vērtēšanas rezultātiem, katrai jomai ir sniegti individuāli ieteikumi par to, kura metode ir ideāla. Ir veikti trīs gadījumu pētījumi, lai novērtētu ietvara ieteikumus.
Šajā darbā ir 83 lappuses, 23 tabulas, 9 attēli un 70 atsauces. |
| Atslēgas vārdi |
diferenciālā privātuma aizsardzība, federatīvā mācīšanās, homomorfā šifrēšana, privātuma saglabāšanas mašīnmācīšanās tehnika, veselības aprūpe, dabiskās valodas apstrāde |
| Atslēgas vārdi angļu valodā |
Differential Privacy, Federated Learning, Homomorphic Encryption, Privacy Preserving Machine Learning Technique, Healthcare, Natural Language Processing |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 16:31:04 |
