Übersicht:

Das Projekt MLens hat eine Reihe neuer Lernverfahren erforscht (sog. 
Differentially Private Lernverfahren), welche keine Angriffe auf die 
Trainingsdaten ermöglichen, sofern deren Menge hinreichend groß ist. In MLens wurden sowohl skalierbare verteilte Lernverfahren, als auch 
Lernverfahren für Zeitreihen, als auch neuartige fundamentale 
Data-Science-Algorithmen (Clustering) erforscht, implementiert und 
theoretisch untersucht.

Durch unsere Arbeit im Rahmen von MLens und die hierbei erreichten 
Fortschritte beim Privatsphäre-erhaltenden Verteilten Lernen und 
Privatsphäre-erhaltenden Maschinellen Lernen haben wir einen wichtigen 
Beitrag zur Stärkung der digitalen Selbstbestimmung geleistet.

Ergebnisse:

Distributed DP Helmet [1] liefert das erste skalierbare maschinelle 
Lernverfahren, bei dem eine einzelne Nachricht ausreicht, um gemeinsam 
ein Modell zu lernen.

Mit DPM [2] haben wir mit einem neuen Clusteringansatz robuste 
Statistiken entdeckt. Diese Strategie haben wir tiefergehend analysiert 
und ihre Vor- und Nachteile so herausgearbeitet, dass eine Nutzung der 
Resultate sich auf mathematische Garantien verlassen kann. [3]

Für die Synthese von Zeitreihendaten haben wir mit dem DP Inductive 
Miner [4] ein neuartiges Verfahren  erstellt, das die Zusammenhänge der 
Zeitreihen anhand eines Prozessbaums lernt.

Mit dem Partner UKSH und Zühlke haben wir komplementär an Fallstudien 
zur Mortalitäts-Vorhersage und verteiltem Lernen gearbeitet.


[1] Moritz Kirschte, Sebastian Meiser, Saman Ardalan, Esfandiar Mohammadi. Distributed DP-Helmet: Scalable Differentially Private Non-interactive Averaging of Single Layers. arXiv preprint. https://arxiv.org/abs/2211.02003

[2] Johannes Liebenow, Yara Schütt, Tanya Braun, Marcel Gehrke, Florian Thaeter, Esfandiar Mohammadi. DPM: Clustering Sensitive Data through Separation. In: ACM CCS '24, 2024. https://arxiv.org/abs/2307.02969

[3] Yara Schütt, Esfandiar Mohammadi. Understanding the Theoretical Guarantees of DPM. arXiv preprint. https://arxiv.org/abs/2506.18685

[4] Max Schulze, Yorck Zisgen, Moritz Kirschte, Esfandiar Mohammadi, Agnes Koschmider. Differentially Private Inductive Miner. In: 2024 6th International Conference on Process Mining (ICPM), 2024. https://arxiv.org/abs/2407.04595