ترجمه فارسی مقاله پوشش تصادفی گرادیان به عنوان یک اقدام دفاعی برای نشت عمیق در یادگیری فدرال

چکیده

Federated Learning(FL), in theory, preserves privacy of individual clients’ data while producing quality machine learning models. However, attacks such as Deep Leakage from Gradients(DLG) severely question the practicality of FL. In this paper, we empirically evaluate the efficacy of four defensive methods against DLG: Masking, Clipping, Pruning, and Noising. Masking, while only previously studied as a way to compress information during parameter transfer, shows surprisingly robust defensive utility when compared to the other three established methods. Our experimentation is two-fold. We first evaluate the minimum hyperparameter threshold for each method across MNIST, CIFAR-10, and lfw datasets. Then, we train FL clients with each method and their minimum threshold values to investigate the trade-off between DLG defense and training performance. Results reveal that Masking and Clipping show near to none degradation in performance while obfuscating enough information to effectively defend against DLG.

چکیده به فارسی (ترجمه ماشینی)

در تئوری ، یادگیری فدرال (FL) ضمن تولید مدلهای یادگیری ماشین با کیفیت ، حریم خصوصی داده های مشتری را حفظ می کند.با این حال ، حملات مانند نشت عمیق از شیب (DLG) از عملی بودن FL به شدت زیر سوال می رود.در این مقاله ، ما به صورت تجربی اثربخشی چهار روش دفاعی در برابر DLG را ارزیابی می کنیم: ماسک ، قطع ، هرس و نویز.نقاب زدن ، در حالی که قبلاً فقط به عنوان راهی برای فشرده سازی اطلاعات در هنگام انتقال پارامتر مورد مطالعه قرار گرفته بود ، اما در مقایسه با سه روش دیگر ، ابزار دفاعی با تعجب قوی را نشان می دهد.آزمایش ما دو برابر است.ما ابتدا حداقل آستانه هایپرپارامتر را برای هر روش در مجموعه داده های MNIST ، CIFAR-10 و LFW ارزیابی می کنیم.سپس ، ما مشتری های FL را با هر روش و حداقل مقادیر آستانه آنها آموزش می دهیم تا تجارت بین دفاع DLG و عملکرد آموزش را بررسی کنیم.نتایج نشان می دهد که ماسک و قطع در نزدیکی هیچ یک از تخریب در عملکرد نشان می دهد در حالی که اطلاعات کافی را برای دفاع مؤثر در برابر DLG نشان می دهد.