ترجمه فارسی مقاله PriPHiT: آموزش سلسله مراتبی با حفظ حریم خصوصی شبکه‌های عصبی عمیق

چکیده

The training phase of deep neural networks requires substantial resources and as such is often performed on cloud servers. However, this raises privacy concerns when the training dataset contains sensitive content, e.g., face images. In this work, we propose a method to perform the training phase of a deep learning model on both an edge device and a cloud server that prevents sensitive content being transmitted to the cloud while retaining the desired information. The proposed privacy-preserving method uses adversarial early exits to suppress the sensitive content at the edge and transmits the task-relevant information to the cloud. This approach incorporates noise addition during the training phase to provide a differential privacy guarantee. We extensively test our method on different facial datasets with diverse face attributes using various deep learning architectures, showcasing its outstanding performance. We also demonstrate the effectiveness of privacy preservation through successful defenses against different white-box and deep reconstruction attacks.

چکیده به فارسی (ترجمه ماشینی)

مرحله آموزش شبکه های عصبی عمیق به منابع قابل توجهی نیاز دارد و به همین ترتیب اغلب در سرورهای ابری انجام می شود.با این حال ، این نگرانی های مربوط به حریم خصوصی را ایجاد می کند وقتی که مجموعه داده های آموزش حاوی محتوای حساس ، به عنوان مثال ، تصاویر چهره است.در این کار ، ما روشی را برای انجام مرحله آموزش یک مدل یادگیری عمیق در یک دستگاه لبه و یک سرور ابری ارائه می دهیم که مانع از انتقال محتوای حساس در ضمن حفظ اطلاعات مورد نظر می شود.روش پیشنهادی برای حفظ حریم خصوصی از خروجی های اولیه مخالف برای سرکوب محتوای حساس در لبه استفاده می کند و اطلاعات مربوط به کار را به ابر منتقل می کند.این رویکرد شامل افزودن سر و صدا در مرحله آموزش برای ارائه ضمانت حریم خصوصی دیفرانسیل است.ما به طور گسترده روش خود را در مجموعه داده های مختلف صورت با ویژگی های مختلف چهره با استفاده از معماری های مختلف یادگیری عمیق آزمایش می کنیم و عملکرد برجسته آن را به نمایش می گذاریم.ما همچنین اثربخشی حفظ حریم خصوصی را از طریق دفاع موفق در برابر حملات مختلف جعبه سفید و بازسازی عمیق نشان می دهیم.