ترجمه فارسی مقاله بازیافت دانش فدرال: اشتراک‌گذاری داده‌های مصنوعی با حفظ حریم خصوصی

چکیده

Federated learning has emerged as a paradigm for collaborative learning, enabling the development of robust models without the need to centralise sensitive data. However, conventional federated learning techniques have privacy and security vulnerabilities due to the exposure of models, parameters or updates, which can be exploited as an attack surface. This paper presents Federated Knowledge Recycling (FedKR), a cross-silo federated learning approach that uses locally generated synthetic data to facilitate collaboration between institutions. FedKR combines advanced data generation techniques with a dynamic aggregation process to provide greater security against privacy attacks than existing methods, significantly reducing the attack surface. Experimental results on generic and medical datasets show that FedKR achieves competitive performance, with an average improvement in accuracy of 4.24% compared to training models from local data, demonstrating particular effectiveness in data scarcity scenarios.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال به عنوان الگوی یادگیری مشترک ظاهر شده است و امکان توسعه مدل های قوی را بدون نیاز به متمرکز کردن داده های حساس فراهم می کند.با این حال ، تکنیک های یادگیری فدرال معمولی به دلیل قرار گرفتن در معرض مدل ها ، پارامترها یا به روزرسانی ها ، دارای آسیب پذیری های حریم خصوصی و امنیتی هستند که می توانند به عنوان یک سطح حمله مورد سوء استفاده قرار گیرند.در این مقاله ، بازیافت دانش فدرال (FEDKR) ، یک رویکرد یادگیری فدراسیون متقابل سیلو که از داده های مصنوعی تولید شده محلی برای تسهیل همکاری بین موسسات استفاده می کند ، ارائه شده است.Fedkr تکنیک های پیشرفته تولید داده را با یک فرآیند جمع آوری پویا ترکیب می کند تا امنیت بیشتری را در برابر حملات حریم خصوصی نسبت به روشهای موجود فراهم کند ، و سطح حمله را به میزان قابل توجهی کاهش می دهد.نتایج تجربی در مجموعه داده های عمومی و پزشکی نشان می دهد که FEDKR به عملکرد رقابتی دست می یابد ، با میانگین پیشرفت در صحت 4.24 ٪ در مقایسه با مدل های آموزشی از داده های محلی ، نشان دادن اثربخشی خاص در سناریوهای کمبود داده ها.