MAPress
مقاله استنتاج خصوصی در مدل های کوانتیزه شده

مقاله استنتاج خصوصی در مدل های کوانتیزه شده

تگ‌ها: Information Theory نظریه اطلاعات

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Private Inference in Quantized Models
عنوان مقاله به فارسی مقاله استنتاج خصوصی در مدل های کوانتیزه شده
نویسندگان Zirui Deng, Vinayak Ramkumar, Rawad Bitar, Netanel Raviv
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Information Theory,نظریه اطلاعات ,
توضیحات Submitted 22 November, 2023; originally announced November 2023.
توضیحات به فارسی ارسال شده 22 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد.

چکیده

A typical setup in many machine learning scenarios involves a server that holds a model and a user that possesses data, and the challenge is to perform inference while safeguarding the privacy of both parties. Private Inference has been extensively explored in recent years, mainly from a cryptographic standpoint via techniques like homomorphic encryption and multiparty computation. These approaches often come with high computational overhead and may degrade the accuracy of the model. In our work, we take a different approach inspired by the Private Information Retrieval literature. We view private inference as the task of retrieving inner products of parameter vectors with the data, a fundamental operation in many machine learning models. We introduce schemes that enable such retrieval of inner products for models with quantized (i.e., restricted to a finite set) weights; such models are extensively used in practice due to a wide range of benefits. In addition, our schemes uncover a fundamental tradeoff between user and server privacy. Our information-theoretic approach is applicable to a wide range of problems and robust in privacy guarantees for both the user and the server.

چکیده به فارسی (ترجمه ماشینی)

یک تنظیم معمولی در بسیاری از سناریوهای یادگیری ماشین شامل سرور است که دارای یک مدل و کاربر است که دارای داده است و چالش انجام استنباط در حالی است که از حریم خصوصی هر دو طرف محافظت می کند.استنباط خصوصی در سالهای اخیر به طور گسترده مورد بررسی قرار گرفته است ، عمدتاً از دیدگاه رمزنگاری از طریق تکنیک هایی مانند رمزگذاری همرفومورفیک و محاسبات چند حزبی.این رویکردها اغلب با سربار محاسباتی بالا همراه هستند و ممکن است دقت مدل را کاهش دهد.در کار ما ، ما رویکرد متفاوتی را با الهام از ادبیات بازیابی اطلاعات خصوصی اتخاذ می کنیم.ما استنتاج خصوصی را به عنوان وظیفه بازیابی محصولات داخلی بردارهای پارامتر با داده ها ، یک عمل اساسی در بسیاری از مدلهای یادگیری ماشین می بینیم.ما طرح هایی را معرفی می کنیم که امکان بازیابی محصولات داخلی را برای مدل هایی با وزن کم اندازه (یعنی محدود به یک مجموعه محدود) فراهم می کند.چنین مدلهایی به دلیل طیف گسترده ای از مزایا در عمل به طور گسترده ای مورد استفاده قرار می گیرند.علاوه بر این ، طرح های ما از تجارت اساسی بین حریم شخصی کاربر و سرور پرده برداشت.رویکرد نظری اطلاعات ما برای طیف گسترده ای از مشکلات و در تضمین های حریم خصوصی برای کاربر و سرور قابل استفاده است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.