ترجمه فارسی مقاله استنتاج لبه‌ای مشارکتی خصوصی از طریق محاسبات بی‌سیم

چکیده

We consider collaborative inference at the wireless edge, where each client’s model is trained independently on their local datasets. Clients are queried in parallel to make an accurate decision collaboratively. In addition to maximizing the inference accuracy, we also want to ensure the privacy of local models. To this end, we leverage the superposition property of the multiple access channel to implement bandwidth-efficient multi-user inference methods. Specifically, we propose different methods for ensemble and multi-view classification that exploit over-the-air computation. We show that these schemes perform better than their orthogonal counterparts with statistically significant differences while using fewer resources and providing privacy guarantees. We also provide experimental results verifying the benefits of the proposed over-the-air multi-user inference approach and perform an ablation study to demonstrate the effectiveness of our design choices. We share the source code of the framework publicly on Github to facilitate further research and reproducibility.

چکیده به فارسی (ترجمه ماشینی)

ما استنتاج مشترک را در لبه بی سیم ، جایی که مدل هر مشتری به طور مستقل در مجموعه داده های محلی آنها آموزش دیده است ، در نظر می گیریم.مشتری ها به طور موازی برای تصمیم گیری دقیق در تصمیم گیری دقیق پرس و جو می شوند.علاوه بر حداکثر رساندن دقت استنتاج ، ما همچنین می خواهیم از حریم خصوصی مدل های محلی اطمینان حاصل کنیم.برای این منظور ، ما از ویژگی های فوق العاده کانال دسترسی چندگانه برای پیاده سازی روشهای استنتاج چند کاربر کارآمد پهنای باند استفاده می کنیم.به طور خاص ، ما روشهای مختلفی را برای طبقه بندی گروه و چند منظره ارائه می دهیم که از محاسبات خارج از هوا بهره برداری می کنند.ما نشان می دهیم که این طرح ها بهتر از همتایان متعامد خود با تفاوت های آماری معنی دار در حالی که از منابع کمتری استفاده می کنند و ضمانت های حریم خصوصی را ارائه می دهند ، عملکرد بهتری دارند.ما همچنین نتایج تجربی را ارائه می دهیم که مزایای رویکرد استنتاج چند کاربر بیش از حد پیشنهادی را تأیید می کند و یک مطالعه فرسایش را برای نشان دادن اثربخشی گزینه های طراحی ما انجام می دهد.ما کد منبع چارچوب را به صورت عمومی در GitHub به اشتراک می گذاریم تا تحقیقات و تکرارپذیری بیشتری را تسهیل کنیم.