Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

The Project focuses on building resilient and secure machine learning (ML) techniques for connected health-care systems. With the advent of connected medical devices, there is immense potential for continuous onsite data gathering and analysis. Recent advances in ML techniques have unlocked significant potential for automated detection and diagnosis of medical conditions and disease monitoring, especially for remote and vulnerable populations. Unfortunately, this has also opened the doors to many kinds of malicious security attacks, especially those targeting the ML algorithms via adversarial attacks (i.e., evasion and poisoning attacks). The Project will investigate systematic techniques for making ML algorithms used in the healthcare domain robust and resilient to different kinds of attacks, and to provide early warning of attacks on the medical devices so that suitable actions can be taken. The team will leverage its collective expertise in the domains of cyber-security, dependability, and machine learning, to develop fundamental innovations in this area.

Le projet est axé sur la mise au point de techniques d’apprentissage automatique (AA) adaptables et sécurisées pour les systèmes de soins de santé connectés. Avec l’avènement des dispositifs médicaux connectés, le potentiel de collecte et d’analyse de données sur site en continu est immense. Les récentes avancées dans les techniques d’apprentissage automatique ont offert un potentiel appréciable pour la détection et le diagnostic automatisés des conditions médicales et le suivi des maladies, en particulier pour les populations éloignées et vulnérables. Malheureusement, cela a également ouvert les portes à de nombreux types d’attaques malveillantes en matière de sécurité, notamment celles qui ciblent les algorithmes d’AA au moyen d’attaques malveillantes (c’est-à-dire les attaques d’évasion et d’empoisonnement). Le projet étudiera des techniques systématiques pour rendre les algorithmes d’AA du domaine des soins de santé, qui sont robustes et résistants à différents types d’attaques, et pour fournir une alerte rapide d’attaques sur les dispositifs médicaux afin que des mesures appropriées puissent être prises. L’équipe s’appuiera sur son expertise collective dans les domaines de la cybersécurité, de la fiabilité et de l’apprentissage automatique pour développer des innovations fondamentales dans ce domaine.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.