2039 Механизмы цифрового забвения: анализ и моделирование с применением методов машинного обучения

Всеволод Шейкин

руководитель проекта

Старт

27.01.2025

Представление

14.04.2025 – 25.04.2025

Постерная сессия

06.06.2025 – 17.06.2025

Защита

05.11.2025 – 19.11.2025

Паспорт проекта

Аннотация

В соответствии с Федеральным законом от 22.06.2024 № 158-ФЗ "О внесении изменений в Федеральный закон "Об информации, информационных технологиях и о защите информации" и статьи 11 и 15 Федерального закона "О деятельности иностранных лиц в информационно-телекоммуникационной сети "Интернет" на территории Российской Федерации" определена обязанность иностранных операторов связи по удалению данных пользователей, являющихся гражданами Российской Федерации. При этом в настоящий момент не определено...

Отрасль

Информатика

Цель

Целью данного проекта является изучение механизмов цифрового забвения, включая разработку и применение моделей машинного обучения для анализа и прогнозирования поведения информации в цифровых средах. Будут рассмотрены различные аспекты управления данными, такие как автоматизация процессов удаления данных, сохранение конфиденциальности и управление доступом к информации в применимости к конкретной задаче "цифрового забвения". Также будут генерироваться синтетические данные для дальнейшего...

Ожидаемые результаты

Анализ существующих мировых подходов к проблематике "Цифрового забвения"
Анализ возможности использования подхода к разобучению больших языков моделей как инструмента решения проблемы "Цифрового забвения"
Генерация синтетических данных для дальнейшего обучения моделей с использованием ЯП Python

Форма и способы промежуточного контроля

- Представление проекта - Постерная сессия - Защита проекта - Регулярные (раз в 2 недели) встречи и отчеты с руководителем проекта

Форма представления результатов

Отчёты по проекту в соответствии с требованиями МИЭМ НИУ ВШЭ.

Ресурсное обеспечение

Язык программирования Python WolframAlpha Опционально: язык R, библиотеки Scikit-Learn, XGBoost, LightGBM, CatBoost для классификации и регрессии, TensorFlow и PyTorch в случае использования механизмов глубокого обучения, Apache Hadoop, Spark для распределённых вычислений.