11723 research outputs found
Sort by
Oxide-Metal Transitions probed by operando/in-situ X-ray Absorption Spectroscopy (XAS) and Raman techniques: Case Studies on Cell Reversal Tolerant Pt-Ir catalysts and CuxO foams for CO2RR
Get PDFFormation of dense gaseous structures in disc galaxies via spiral arms, magnetic fields and self-gravity
Get PDFDie dichte Struktur in nahen Spiralgalaxien weist eine teilweise räumliche Regelmäßigkeit auf Kiloparsec-Skalen auf. Dies zeigt sich sowohl in den Klumpen, die wie Perlen an einer Kette entlang der Spiralarme angeordnet sind, als auch in fadenförmigen Ausbildungen, die Federn genannt werden, in den Regionen zwischen den Armen. Beide haben Anzeichen dafür geliefert, dass sie aktive Sternentstehungsgebiete und junge Sternhaufen beherbergen, was sie für die Beurteilung der Anfangsbedingungen für die Sternentstehung wichtig macht. Ihre räumliche Regelmäßigkeit deutet auf galaktische Instabilitäten hin, die bei ihrer Entstehung eine Rolle spielen.
Wir untersuchen die Rolle der Schwerkraft, der Spiralarme und der Magnetfelder bei der Bildung von dichten Klumpen in den Armen und Federn in den Regionen zwischen den Armen von Scheibengalaxien. Dazu führen wir eine Reihe globaler magnetohydrodynamischer Simulationen von isolierten Scheibengalaxien durch.
Wir stellen fest, dass die Instabilität des Spiralarms zu Klumpen mit halbwegs regelmäßigen Abständen entlang seiner Länge führen kann, die mit dem in Beobachtungen gefundenen Bereich übereinstimmen. Diese Klumpen führen jedoch nicht notwendigerweise zur Bildung der Federn. Darüber hinaus wird die Instabilität durch das Vorhandensein von Magnetfeldern beeinflusst, je nach deren anfänglicher Stärke. Mäßig starke Magnetfelder stabilisieren die Spiralarme durch magnetischen Druck, während schwache Anfangsfelder sie destabilisieren, indem sie die Wachstumsrate um einen Faktor zwei erhöhen. Im letzteren Fall finden wir Hinweise auf die Parker-Instabilität, die in früheren Arbeiten aufgrund ihrer lokalen 2D-Näherungen nicht erfasst wurde. Darüber hinaus bilden unsere Galaxien Federn durch eine globale Gravitationsinstabilität auf galaktischer Ebene, unabhängig von der Notwendigkeit von Spiralarmen oder magnetischen Feldern, im Gegensatz zu dem, was in früheren Arbeiten vorgeschlagen wurde. Dieses Verhalten wird durch den Toomre-Q-Parameter der Galaxie quantifiziert. Wir stellen fest, dass die morphologischen Eigenschaften der Federn und die Zeitskala ihrer Entstehung von einem zweiten dimensionslosen Parameter der Galaxie abhängen - der Rotations-Machzahl Mc = vc/cs (Verhältnis der Kreisgeschwindigkeit zur Schallgeschwindigkeit). Wir stellen fest, dass unsere empirische Skalierung des Federabstands mit Mc gut mit den verfügbaren Beobachtungen naher Galaxien übere-
instimmt. Dies deutet auf eine viel einfachere Erklärung für den Ursprung der Federn hin
Funktionelle und anatomische Langzeitergebnisse nach perinealer Urethrostomie in der Salvage-Therapie langstreckiger Harnröhrenstrikturen
No full textBioinspired Nanofiltration Membranes by Supramolecular Self-assembly
Get PDFThin-Film Composite (TFC) Membranes are a type of membrane with a thin selective layer on top of a porous support layer commonly used in water purification, desalination, and filtration processes. The selective layer controls the rejection and transport of components through the membrane and is typically a polyamide formed via interfacial polymerization (IP). However, IP uses hazardous organic solvents that are of great concern to human health and the environment. This dissertation focuses on the synthesis of a metal-phenolic network (MPN) as a selective layer for TFC nanofiltration membrane fabrication in a sustainable method, using only water as a solvent, for various applications. MPN are an emerging class of functional materials based on the self-assembly between metal ions and polyphenol ligands. Tannic acid (TA), a natural polyphenol, and metal ions (Fe3+) were used to fabricate the TA-Fe3+ MPN selective layer over a polyacrylonitrile (PAN) porous support. This unique approach to membrane fabrication leverages supramolecular chemistry to synthesize tunable and multifunctional separation layers.
The TFC membranes were fine-tuned by systematically controlling the fabrication conditions. The influence of concentration, assembly time, pH of solutions and number of layers were investigated in detail to determine their effect on film formation, membrane microstructure, physicochemical characteristics, and separation properties. FTIR, SEM, EDX, and zeta potential measurements were used to confirm the formation of a TA-Fe3+ coating over the porous support. Backscattered electron (BSE) imaging shows that the thickness of the selective layer is approximately 10 nm, categorizing as an ultrathin layer for liquid separation. SEM analysis and water flux measurements illustrated that dense separation layers are fabricated at higher metal ion concentration, prolonged assembly time or alkaline solution. This demonstrates the MPN membranes exhibit tunable pore size characteristics. Moreover, the surface hydrophilicity of the membranes varied depending on the synthesis parameters. For instance, surface wettability of the TFC membrane increases for membranes fabricated at high Fe3+ concentration while it declines for those fabricated at high assembly time. The membranes exhibit up to 85 % flux recovery ratio during fouling tests indicating good antifouling properties.
Selective membranes are highly desirable for membrane applications. The separation properties of the fabricated membranes against small organics of 200 – 1000 g/mol molecular weight from different charge groups were investigated in detail. It is observed that the MPN layers exhibit successful charge- and size-based selectivity towards organic solutes. Anionic dyes are highly rejected while the TA-Fe3+ membranes show a low rejection towards neutral organic solutes in both single solute and mixed solute filtration tests. Size exclusion and the electrostatic interactions between the negatively charged membrane surface and organic molecules in the feed solution play key roles in the rejection behavior of the TA-Fe3+ membranes. Mass transport mechanism of dye solutions through the MPN membranes is also analyzed using the Spiegler–Kedem–Katchalsky (SKK) model. The rejection property and selectivity to distinguish solutes based on size, charge, or chemical properties reiterate the potential of the TA-Fe3+ membranes for the separation and recovery of molecules from complex mixtures across various industries.
The salt rejections performance of the MPN membranes are also evaluated to analyze their rejection efficiency and monovalent/divalent ion selectivity from different feed solution compositions. The fabrication conditions significantly affect the water flux and salt retention of MPN membranes. For instance, increasing the Fe3+ concentration of the casting solution enhances rejection while water flux significantly declines, depicting the permeability-selectivity trade-off. The TA-Fe3+ thin-films generally showed good salt (NaCl, NaNO3, Na2SO4, MgCl2, MgSO4, and their mixtures) rejection, demonstrating their potential for NF applications in water and wastewater treatment. The TA-Fe3+ membranes especially exhibited high NO3– removal property, outperforming commercial NF membranes. The effect of operating conditions such as pressure, feed concentration and composition on ion rejection are analyzed. In mixed salt retention tests, NO3–/SO42– selectivity between 4.5 – 38.1 were obtained while 1.1 – 330 Na+/Mg2+ selectivities were achieved depending on the feed composition.
The ion separation performance of the MPN membranes is elucidated using a mathematical model, the Donnan steric pore model with dielectric exclusion (DSPM-DE). Mass transport modeling of ions through the TA-Fe3+ NF membranes is described for various ternary and quaternary ion mixtures. It is demonstrated that the DSPM-DE can sufficiently well predict the separation properties of MPN membranes. In the cumulative part of the dissertation, insights into the dominant ion exclusion mechanisms and ion transport mechanisms that influence the selectivity and flux of ions, are provided. The effect of membrane parameters on monovalent/divalent ion selectivity (e.g., NO3–/SO42–) are also explored in a sensitivity analysis. This reiterates the importance of transport models in understanding complex transport processes, predicting rejection performance, designing membranes with desired characteristics and optimization of membrane processes.
Overall, MPN membranes offer a novel platform for membrane science, moving beyond traditional polyamide chemistry for TFC NF membrane selective layers. Their coordination-driven assembly opens new pathways to create multifunctional, high-performance membranes with tunable properties suitable for desired separation applications.Dünnschichtkompositmembranen (TFC-Membranen) sind Membrantypen mit einer dünnen selektiven Schicht auf einer porösen Trägerschicht, die üblicherweise in der Wasseraufbereitung, Entsalzung und bei Filtrationsprozessen eingesetzt wird. Die selektive Schicht steuert die Zurückhaltung und den Transport von Komponenten durch die Membran und ist in der Regel ein Polyamid, das durch Grenzflächenpolymerisation (IP) hergestellt wird. Bei der IP werden jedoch giftige organische Lösungsmittel verwendet, die für die menschliche Gesundheit und die Umwelt sehr schädlich sind. Diese Dissertation konzentriert sich auf die Synthese eines Metall-Phenol-Netzwerks (MPN) als selektive Schicht für die Herstellung von TFC-Nanofiltrationsmembranen in einem nachhaltigen Verfahren, das nur Wasser als Lösungsmittel verwendet, für verschiedene Anwendungen. MPN sind eine aufstrebende Klasse von funktionellen Materialien, die auf der Selbstorganisation zwischen Metallionen und Polyphenol-Liganden basieren. Gerbsäure (TA), ein natürliches Polyphenol, und Metallionen (Fe3+) wurden zur Herstellung der selektiven TA-Fe3+ MPN-Schicht auf einem porösen Polyacrylnitril (PAN)-Träger verwendet. Dieser einzigartige Ansatz zur Herstellung von Membranen nutzt die supramolekulare Chemie zur Synthese von einstellbaren und multifunktionalen Trennschichten.
Die TFC-Membranen wurden durch systematische Kontrolle der Herstellungsparameter feinabgestimmt. Der Einfluss der Konzentration, der Anordnungszeit, des pH-Werts der Lösungen und der Anzahl der Schichten wurde im Detail untersucht, um ihre Auswirkungen auf die Filmbildung, die Mikrostruktur der Membran, die physikalisch-chemischen Eigenschaften und die Trenneigenschaften zu bestimmen. FTIR-, REM-, EDX- und Zeta-Potential-Messungen wurden eingesetzt, um die Bildung einer TA-Fe3+-Schicht auf dem porösen Träger zu bestätigen. Die Bildgebung mit rückgestreuten Elektronen (BSE) zeigt, dass die Dicke der selektiven Schicht etwa 10 nm beträgt, was als ultradünne Schicht für die Flüssigkeitstrennung eingestuft wird. Die REM-Analyse und Wasserflussmessungen zeigten, dass dichte Trennschichten bei höherer Metallionenkonzentration, längerer Anordnungszeit oder alkalischer Lösung entstehen. Dies zeigt, dass die MPN-Membranen einstellbare Porengrößencharakteristika aufweisen. Außerdem variierte die Oberflächenhydrophilie der Membranen in Abhängigkeit von den Syntheseparametern. So nimmt beispielsweise die Oberflächenbenetzbarkeit der TFC-Membranen bei solchen zu, die mit einer hohen Fe3+-Konzentration hergestellt wurden, während sie bei Membranen, die mit einer langen Anordnungszeit hergestellt wurden, abnimmt. Die Membranen weisen bei Fouling-Tests ein Flux-Rückgewinnungsverhältnis von bis zu 85 % auf, was auf gute Antifouling-Eigenschaften hinweist.
Selektive Membranen sind für Membrananwendungen äußerst wünschenswert. Die Trenneigenschaften der hergestellten Membranen gegenüber kleinen organischen Stoffen mit einem Molekulargewicht von 200 - 1000 g/mol aus verschiedenen Ladungsgruppen werden im Detail untersucht. Es wurde festgestellt, dass die MPN-Schichten eine erfolgreiche ladungs- und größenbasierte Selektivität gegenüber organischen Lösungsmitteln aufweisen. Anionische Farbstoffe werden in hohem Maße zurückgehalten, während die TA-Fe3+-Membranen eine geringe Rückhaltung gegenüber neutralen organischen Stoffen zeigen, und zwar sowohl bei Filtrationstests für einzelne Stoffe als auch für gemischte Stoffe. Der Größenausschluss und die elektrostatischen Wechselwirkungen zwischen der negativ geladenen Membranoberfläche und den organischen Molekülen in der Zulauflösung spielen eine Schlüsselrolle für das Rückhalteverhalten der TA-Fe3+-Membranen. Der Mechanismus des Massentransports von Farbstofflösungen durch die MPN-Membranen wurde zusätzlich mit Hilfe des Spiegler-Kedem-Katchalsky (SKK)-Modells analysiert. Das Rückhaltevermögen und die Selektivität bei der Unterscheidung von gelösten Stoffen auf der Grundlage von Größe, Ladung oder chemischen Eigenschaften unterstreichen das Potenzial der TA-Fe3+-Membranen für die Abtrennung und Rückgewinnung spezifischer Moleküle aus komplexen Gemischen in verschiedenen Industriebranchen.
Die Salzrückhalteleistung der MPN-Membranen wurde ebenfalls bewertet, um ihre Rückhalteeffizienz und ihre Selektivität für einwertige/zweiwertige Ionen aus verschiedenen Zusammensetzungen der Einsatzlösung zu analysieren. Die Herstellungsbedingungen haben einen erheblichen Einfluss auf den Wasserfluss und die Salzrückhaltung der MPN-Membranen. So erhöht eine Erhöhung der Fe3+-Konzentration der Gießlösung die Rückhaltung, während der Wasserfluss deutlich abnimmt, was den Kompromiss zwischen Durchlässigkeit und Selektivität verdeutlicht. Die TA-Fe3+-Dünnschichtfilme zeigten im Allgemeinen eine gute Rückhaltung von Salzen (NaCl, NaNO3, Na2SO4, MgCl2, MgSO4 und deren Mischungen), was ihr Potenzial für NF-Anwendungen in der Wasser- und Abwasseraufbereitung belegt. Die TA-Fe3+-Membranen wiesen insbesondere eine hohe NO3–-Entfernungsleistung auf und übertrafen damit kommerzielle NF-Membranen. Die Auswirkungen von Betriebsbedingungen wie Druck, Zulaufkonzentration und -zusammensetzung auf die Ionenrückhaltung wurden analysiert. In gemischten Salzrückhaltetests wurden NO3–/SO42– Selektivitäten zwischen 4,5 - 38,1 beobachtet, während in Abhängigkeit von der Zusammensetzung des Feeds Na+/Mg2+ Selektivitäten zwischen 1,1 - 330 erreicht wurden.
Die Ionentrennleistung der MPN-Membranen wurde mithilfe eines mathematischen Modells, dem sterischen Donnan-Porenmodell mit dielektrischem Ausschluss (DSPM-DE), erläutert. Die Modellierung des Massentransports von Ionen durch die TA-Fe3+ NF-Membranen wird für verschiedene ternäre und quaternäre Ionenmischungen beschrieben. Es wurde gezeigt, dass das DSPM-DE die Trenneigenschaften von MPN-Membranen ausreichend vorhersagen kann. Im kumulativen Teil der Dissertation werden Einblicke in die vorherrschenden Ionenausschluss- und Ionentransportmechanismen gegeben, die die Selektivität und den Fluss der Ionen beeinflussen. Die Auswirkungen von Membranparametern auf die Selektivität einwertiger/zweiwertiger Ionen (z. B. NO3–/SO42–) wurden ebenfalls in einer Sensitivitätsanalyse untersucht. Dies unterstreicht die Bedeutung von Transportmodellen für das Verständnis komplexer Transportprozesse, die Vorhersage der Rückhalteleistung, den Entwurf von Membranen mit gewünschten Eigenschaften und die Optimierung von Membranprozessen.
Insgesamt bieten MPN-Membranen eine neuartige Plattform für die Membranforschung, die über die traditionelle Polyamidchemie für selektive TFC-NF-Membranschichten hinausgeht. Ihr koordinationsgesteuerter Aufbau eröffnet neue Wege zur Herstellung multifunktionaler Hochleistungsmembranen mit einstellbaren Eigenschaften, die für die gewünschten Trennanwendungen geeignet sind
Der Einfluss von Resilienz auf die physische und psychische Stressreaktion und die Leistungsfähigkeit des episodischen Gedächtnisses
Get PDFIn der vorliegenden Arbeit wurden der Einfluss der Resilienz auf die physische und psychische Stressreaktion sowie auf die Leistungsfähigkeit des episodischen Gedächtnisses untersucht. Darüber hinaus wurde der Zusammenhang der Resilienz mit der subjektiven Wahrnehmung des Stressempfindens der letzten vier Wochen beleuchtet. Für die zugrunde liegende Studie wurden Frauen und Männer im Alter von 18 bis 60 Jahren rekrutiert, die keine neurologischen oder psychiatrischen Vorerkrankungen aufwiesen. Die Gesamtstichprobe umfasste N = 31 Studienteilnehmer. Die physischen und psychischen Stressreaktionen wurden über die Pulsfrequenz sowie über direkte Abfrage des Stressempfindens anhand einer Skala mit drei Dimensionen (unangenehm, stressig, schmerzhaft) von Schwabe und Kollegen (2008) bestimmt. Zur Erhebung des Stressempfindens der letzten vier Wochen wurde die Perceived Stress Scale (PSS) von Schneider und Kollegen (2020) herangezogen. Die Resilienz wurde über die Resilienzskala RS-25 von Schumacher und Kollegen (2005) erfasst. Über eine Wiedererkennungsaufgabe wurde die episodische Gedächtnisleistung der Probanden bestimmt. In einer Korrelationsanalyse konnte kein signifikanter Zusammenhang zwischen Resilienz und psychischer Stressreaktion nachgewiesen werden (unangenehm p = .487, stressig: p = .523, schmerzhaft: p = .329). Da die Voraussetzung eines signifikanten Pulsanstieges im Rahmen der Stressinduktion nicht gegeben war, konnte keine Korrelationsanalyse von Resilienz und physischer Stressreaktion durchgeführt werden. Ein signifikanter Zusammenhang der Resilienzausprägung mit der Veränderung der Gedächtnisleistung im Rahmen der Stressinduktion ergab sich nicht (p > .05). Jedoch konnte ein signifikanter Zusammenhang zwischen Resilienz und subjektiver Wahrnehmung des Stressempfindens der letzten vier Wochen gezeigt werden (p < .001) und Resilienz als Prädiktor der subjektiven Wahrnehmung des Stressempfindens der letzten vier Wochen identifiziert werden (p < .001). Da sowohl Stress als auch Resilienz weit gefasste, nicht einheitlich definierte Begriffe sind, bedarf es präziser Fragestellungen und daran angepasste Messinstrumente, um in zukünftiger Forschung die Zusammenhänge und Einflüsse weiter aufklären zu können
Overview of Neuro-Ophthalmologic Findings in leukodystrophies
Get PDFDissertationsschrift zur Erlangung des medizinischen Doktortitels
Photonically Referenced Microwave Signal Synthesis for High-Precision Timing and Frequency Applications
Get PDFUltra-stable microwave signals are essential for a variety of high-precision applications, including time and frequency metrology, large-scale photon science facilities, global navigation satellite systems, and quantum computing. Traditional electronic oscillators face inherent limitations in phase noise performance and long-term stability. This dissertation explores the photonic approaches to generate ultra-stable microwave signals leveraging mode-locked lasers and pure optical reference modules to achieve unprecedented frequency stability and phase noise performance.
This dissertation provides a comprehensive study of photonic timing instrumentation and microwave synthesis, detailing key components, measurement techniques, and system-level innovations. It then presents the design and experimental implementation of a certain specific photonic microwave oscillator architecture named PRESTO, which incorporates a fiber delay line for self-referencing and stabilization. A feedback control system is introduced to suppress phase noise and improve frequency stability. Experimental validation of PRESTO demonstrates a significant reduction in the phase noise of the output microwave signal, achieving integrated timing jitter of less than 30 fs down to 1 Hz.
The findings of this research demonstrate that PRESTO is a promising solution for next-generation photonic microwave oscillators, offering superior stability and spectral purity. The first lab prototype exhibits an outstanding phase noise performance comparable to other state-of-the-art photonic microwave oscillators, including the optical frequency division methods and delay-line based oscillators with opportunities for further advancements in this field.Ultrastabile Mikrowellensignale sind für eine Vielzahl von Hochpräzisionsanwendungen unerlässlich, z. B. für die Zeit- und Frequenzmetrologie, Großforschungseinrichtungen, globale Satellitennavigationssysteme und Quantencomputer. Herkömmliche elektronische Oszillatoren unterliegen in Bezug auf das Phasenrauschen und die Langzeitstabilität inhärenten Beschränkungen. In dieser Dissertation werden photonische Methoden zur Erzeugung ultrastabiler Mikrowellensignale untersucht, bei denen modengekoppelte Laser und rein optische Referenzmodule eingesetzt werden, um eine hohe Frequenzstabilität und niedriges Phasenrauschen zu erreichen.
Diese Dissertation bietet eine umfassende Studie über photonische Timing-Instrumente und Mikrowellensynthese, wobei Schlüsselkomponenten, Messverfahren und Innovationen auf Systemebene detailliert beschrieben werden. Anschließend wird der Entwurf und die experimentelle Umsetzung einer bestimmten photonischen Mikrowellenoszillatorarchitektur namens PRESTO vorgestellt, die eine Faserverzögerungsleitung zur Selbstreferenzierung und Stabilisierung enthält. Ein rückgekoppeltes Kontrollsystem wird eingeführt, um das Phasenrauschen zu unterdrücken und die Frequenzstabilität zu verbessern. Die experimentelle Validierung von PRESTO zeigt eine signifikante Verringerung des Phasenrauschens des Mikrowellenausgangssignals, wobei ein integrierter Timing-Jitter von weniger als 30 fs bis zu 1 Hz erreicht wird.
Die Ergebnisse dieser Forschung zeigen, dass PRESTO eine vielversprechende Lösung für Mikrowellenoszillatoren der nächsten Generation ist, die eine überlegene Stabilität und spektrale Reinheit bietet. Der erste Laborprototyp zeigt ein hervorragendes Phasenrauschen, das mit dem anderer moderner photonischer Mikrowellenoszillatoren vergleichbar ist, einschließlich optischer Frequenzteilungsmethoden, und bietet Möglichkeiten für weitere Fortschritte in diesem Bereich
Challenges and Solutions for the Protection of Training Data of Machine Learning Models
No full textFew technologies have had as great an impact on society in recent years as machine learning (ML) algorithms, and their influence continues to grow. Many applications, such as voice assistants, self-driving vehicles, and advanced chatbots, would not be possible without ML models at their core. Before being deployed, these models go through a training phase where they are optimized using a training dataset. This automated process is the key to the popularity of ML models: Models can answer complex questions represented by data in different forms – including image, audio and tabular data. Successful model training often requires vast amounts of training data. The increasing digitization of business processes has led many organizations to collect and store data on large scales, which can be used for ML training. However, this data may contain sensitive information, such as personal information or trade secrets. Using it for training and publishing a trained model afterwards does not come without risks.
As numerous publications have shown, ML models often store more sensitive information of their training data than intended, even if this is not necessary for the fulfillment of their tasks. In particular, so-called inference attacks aim at recovering such sensitive information from models after their training process. This dissertation fills a research gap regarding the reconstruction of statistical training data properties from ML models – the property inference attack (PIA). Both the white-box threat model, where the attacker has access to the model’s internal parameters, and the black-box threat model, where the attacker can only compute model outputs through an interface, are examined. For the white-box variant, a defense mechanism is introduced and evaluated. Outlining its limitations, the functionality of the attack is analyzed, revealing severe traces of training data properties in the trained parameters of ML models. For the black-box scenario of the PIA, a new attack framed as a regression problem is proposed. Its performance is tested in experiments and compared to a white-box benchmark, exhibiting strong R² test values of up to 0.86. To defend against this attack, a promising adversarial learning defense strategy is presented and experimentally evaluated.
When training data is spread across multiple parties, distributed training algorithms such as federated learning (FL) enable the collaborative training of ML models without the transmission of training data. This dissertation examines the benefits and practical limitations of FL through a case study in official statistics. Simulations across three use cases – medical insurance, fine dust pollution, and mobile radio coverage – demonstrate its strong potential for producing official statistics. FL is particularly advantageous when data owners wish to retain control over their data while still benefiting from a collaboratively trained model. A common privacy concern in FL is the potential leakage of sensitive information through data exchanged during the training process. To prevent leaked information from being linked to individual participants, a novel FL protocol that enhances client anonymity is also presented in this dissertation. An independent dealer party is introduced to facilitate an efficient cryptographic masking mechanism, reducing runtimes by up to 87.8% compared to related work. The security of the protocol is validated by a mathematical proof and its performance is assessed in various experiments.
As ML algorithms continue to gain relevance, this dissertation aims to contribute to an understanding and improvement of training data privacy, both for PIAs on trained models and distributed FL training processes.Die gesellschaftliche Relevanz von Algorithmen des maschinellen Lernens (ML) ist in den letzten Jahren stetig gestiegen. Moderne Anwendungen wie Sprachassistenten, selbstfahrende Fahrzeuge und Chatbots basieren zunehmend auf leistungsfähigen ML-Modellen. Bevor solche Modelle eingesetzt werden können, durchlaufen sie eine Trainingsphase, in der sie schrittweise an einen Trainingsdatensatz angepasst bzw. dafür optimiert werden. Dieser algorithmengesteuerte Anpassungsprozess ist von entscheidender Bedeutung für den Erfolg der Technologie: Er ermöglicht es den ML-Modellen, komplexe Problemlösungen aus den vorliegenden Daten abzuleiten. Diese Daten können in verschiedenen Formaten vorliegen, etwa als tabellarische Daten, Bild- oder Audiodateien. Für ein erfolgreiches Training sind oftmals große Mengen an Daten erforderlich. Begünstigt durch die fortschreitende Digitalisierung fallen in vielen Bereichen enorme Mengen an Daten an, die zum Training von ML-Modellen genutzt werden können. Allerdings enthalten viele dieser Datensätze auch schützenswerte Informationen, etwa Geschäftsgeheimnisse oder personenbezogene Daten, die nicht für die Öffentlichkeit bestimmt sind. Der Einsatz solcher Datensätze zum Training eines ML Modells und dessen anschließende Veröffentlichung können Gefahren für den Datenschutz mit sich bringen.
Wie in zahlreichen wissenschaftlichen Arbeiten gezeigt werden konnte, beinhalten trainierte ML-Modelle oft mehr sensible Informationen aus den Trainingsdaten als notwendig. Sogenannte Inferenzangriffe zielen darauf ab, diese sensiblen Informationen aus den trainierten Modellen zu extrahieren. Die vorliegende Dissertation schließt eine Forschungslücke im Bereich der Rekonstruktion von statistischen Trainingsdateneigenschaften – der sogenannten Property Inference. Dabei werden sowohl das White-Box-Angreifermodell, bei dem Angreifende Zugriff auf die internen Modellparameter haben, als auch das Black-Box-Angreifermodell, bei dem lediglich über eine Schnittstelle Modellausgaben berechnen werden können, untersucht. Für das White-Box-Modell wird ein neuer Verteidigungsmechanismus vorgestellt und evaluiert, wobei festgestellt wird, dass seine Wirksamkeit auf bestimmte Instanzen von Property Inference Angreifern, die zum Zeitpunkt der Verteidigung bekannt sein müssen, limitiert ist. Die Analyse jener Einschränkung führt zu einer tiefergehenden Untersuchung der Funktionsweise von White-Box Property Inference. Dabei wird gezeigt, dass die Spuren statistischer Eigenschaften der Trainingsdaten über weite Teile der trainierten Modellparameter hinweg verteilt sind und häufig deutlich erkennbar sind. Im Black-Box-Angreifermodell wird eine neue Version des Angriffs vorgestellt, bei der Property Inference nicht wie herkömmlich als Klassifikations-, sondern als Regressionsproblem betrachtet wird. In eigens durchgeführten Experimenten wird die Leistungsfähigkeit dieses Angriffs mit einem R²-Wert von bis zu 0,86 demonstriert, und mit einem entsprechenden White-Box-Angriff verglichen. Ein vielversprechender Verteidigungsmechanismus gegen diesen Black-Box-Angriff, der auf adversarial learning basiert, wird ebenfalls eingeführt und in Experimenten auf seine Wirksamkeit hin evaluiert.
In der Praxis sind Trainingsdaten oftmals nicht an einem zentralen Ort gebündelt, sondern auf mehrere Parteien verteilt. Verteilte Trainingsalgorithmen wie Federated Learning (FL) ermöglichen es, ein gemeinsames Modell zu trainieren, ohne dass die Trainingsdaten selbst übertragen werden müssen. Diese Dissertation enthält eine Analyse der Vorteile und der praktischen Herausforderungen von FL, die aus einer simulierten Fallstudie zum Potenzial von FL für die amtliche Statistik abgeleitet wird. Die Simulationen beziehen sich auf Themen, die für die amtliche Statistik von Bedeutung sind, nämlich Luftverschmutzung, Kosten von Krankenversicherungen und die Empfangsabdeckung für den Mobilfunk. Die Ergebnisse dieser Simulationen zeigen, dass FL in Bezug auf die Modellleistung mit herkömmlichen Trainingsalgorithmen konkurrieren kann. Daher bietet FL besonders in Szenarien, in denen Besitzer von Trainingsdaten ihre Datenhoheit nicht aufgeben möchten, ein großes Potenzial. Allerdings bergen auch FL-Trainingsalgorithmen Risiken für die Geheimhaltung sensibler Informationen aus den Trainingsdaten. Denn das Training durch FL beinhaltet regelmäßige Übertragungen von trainierten Modellen zwischen einer zentralen Partei und den Teilnehmern – den sogenannten Clients. Um zu verhindern, dass sensible Informationen einzelnen Clients zugeordnet werden können, wird in dieser Dissertation ein neuartiges Protokoll vorgestellt, das eine verbesserte Anonymität der Teilnehmer ermöglicht. Dazu wird eine unabhängige Dealer-Partei eingeführt, die rechenintensive kryptografische Operationen übernimmt und somit einen effizienten Algorithmus zur Maskierung der Client-Updates ermöglicht. Im Vergleich zu verwandten Arbeiten kann die Laufzeit des Protokolls um bis zu 87,8% reduziert werden. Experimente belegen sowohl die Effizienz als auch die Skalierbarkeit des neuen Protokolls, dessen Sicherheit zudem mathematisch bewiesen wird.
Mit der stetig wachsenden Relevanz von ML-Algorithmen zielt diese Dissertation darauf ab, einen Beitrag zum Verständnis und zum Schutz der Privatsphäre von Trainingsdaten zu leisten – sowohl in Bezug auf Property Inference bei bereits trainierten Modellen als auch während verteilter Trainingsprozesse
The Role of a Small State in a Regional Security System: The Case of Oman
No full textThis thesis explains the prevailing paradigm of the role of small states in regional security systems, and fundamentally examines the case of Oman as a small country that has managed to play a significant role in the Middle Eastern regional security system, contrary to conventional political science expectations of such states’ behavior as per the neoclassical realism theory (NRT) paradigm. This thesis explains Oman’s different and independent regional positions, notably: (1) supporting the Camp David Peace Accords (1978) and not joining the Arab League and Gulf boycott of Egypt after Sadat’s rapprochement with Israel; (2) developing and maintaining diplomatic ties with Iran after the 1979 Revolution, when it was seen as an imminent threat to Gulf regimes, and during the Iran-Iraq War (1980-1988); (3) meditating between Iran and the US in the P5+1’s Joint Comprehensive Plan of Action (2015) (i.e., the “Iran Nuclear Deal”); and (4) preserving regional security in the context of the ongoing Yemen conflict. This thesis examines these cases in light of hitherto unutilized sources (such as newspapers, official documents, gray literature, archives, memoirs, local books, reports, memos) and interviews with key experts involved in Oman’s foreign policy and related events. This thesis thus demonstrates that Oman as a small state was able to tangibly and effectively influence the regional security system through a balanced foreign policy and establishing spaces that support dialogue and diplomacy to address regional tension and conflicts and maintain relative neutrality in most regional and international conflicts
Computational estimation of cell types and their dynamics in health and disease
No full textChanges in cell type composition are fundamental to understanding human disease mechanisms. While single-cell omics technologies enable unprecedented resolution in cellular profiling, their widespread clinical application is limited by technical biases and cost constraints. Measurements on bulk tissue specimens, though more robust and cost-effective, lack cell-type resolution. This creates a need for computational methods that can bridge this gap. At its core, cell type deconvolution represents a semi-blind source separation problem, where the goal is to estimate both the mixing proportions and source signals from mixture measurements, given any partial information about the sources from reference data.
This dissertation includes DISSECT, a novel deep semi-supervised learning algorithm for robust cell type deconvolution. DISSECT addresses key limitations in existing approaches by integrating information from both single-cell references and bulk data, effectively handling domain shifts between reference and target datasets. Through comprehensive benchmarking across multiple experimental settings and modalities (including bulk RNA sequencing (RNA-seq), proteomics, and spatial transcriptomics), we demonstrate DISSECT's superior performance in predicting both cell type proportions and cell type-specific expression profiles, with reduced dependency on reference selection.
We used cell type deconvolution to study two distinct diseases: antineutrophil cytoplasmic antibody-associated glomerulonephritis (ANCA-GN) and glioblastoma (GBM). In ANCA-GN, deconvolution of single-cell and spatial transcriptomics data from 34 patients and 8 controls revealed specific T helper cell accumulation patterns associated with inflammation. Computational drug prediction based on this information identified ustekinumab as a potential therapeutic agent, which showed promising results in four patients with poor prognosis under standard treatment. In glioblastoma, we used cell type deconvolution to analyze DNA methylation patterns across multiple cohorts of GBM patients, identifying two distinct and temporally stable GBM groups associated with better prognostic value than established molecular subtypes, particularly in predicting response to surgical intervention.
This dissertation makes several key contributions to bioinformatics, immunology, and neuroscience: (1) a cell type deconvolution framework that advances the state-of-the-art in source separation for biological data, (2) an integrative analysis of immune cell type-specific signals to guide therapeutic decisions in ANCA-GN, and (3) identification of clinically relevant and stable GBM subgroups based on deconvolved cell type-specific signals