Submitted 10 September, 2024; originally announced September 2024. , Comments: Accepted in The 22nd IEEE International Conference on Dependable, Autonomic and Secure Computing (DASC 2024)
توضیحات به فارسی
ارسال شده 10 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: در بیست و دومین کنفرانس بین المللی IEEE در مورد محاسبات قابل اعتماد ، خودمختار و ایمن پذیرفته شده است (DASC 2024)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
چکیده
Machine Learning (ML) has become one of the most impactful fields of data science in recent years. However, a significant concern with ML is its privacy risks due to rising attacks against ML models. Privacy-Preserving Machine Learning (PPML) methods have been proposed to mitigate the privacy and security risks of ML models. A popular approach to achieving PPML uses Homomorphic Encryption (HE). However, the highly publicized inefficiencies of HE make it unsuitable for highly scalable scenarios with resource-constrained devices. Hence, Hybrid Homomorphic Encryption (HHE) -- a modern encryption scheme that combines symmetric cryptography with HE -- has recently been introduced to overcome these challenges. HHE potentially provides a foundation to build new efficient and privacy-preserving services that transfer expensive HE operations to the cloud. This work introduces HHE to the ML field by proposing resource-friendly PPML protocols for edge devices. More precisely, we utilize HHE as the primary building block of our PPML protocols. We assess the performance of our protocols by first extensively evaluating each party's communication and computational cost on a dummy dataset and show the efficiency of our protocols by comparing them with similar protocols implemented using plain BFV. Subsequently, we demonstrate the real-world applicability of our construction by building an actual PPML application that uses HHE as its foundation to classify heart disease based on sensitive ECG data.
چکیده به فارسی (ترجمه ماشینی)
یادگیری ماشین (ML) در سالهای اخیر به یکی از تأثیرگذارترین زمینه های علوم داده تبدیل شده است.با این حال ، نگرانی قابل توجه در مورد ML خطرات حریم خصوصی آن به دلیل افزایش حملات علیه مدل های ML است.روشهای یادگیری ماشین حفظ حریم خصوصی (PPML) برای کاهش خطرات حریم خصوصی و امنیتی مدل های ML پیشنهاد شده است.یک رویکرد محبوب برای دستیابی به PPML از رمزگذاری همرفومورفیک (HE) استفاده می کند.با این حال ، ناکارآمدی های بسیار تبلیغاتی وی ، آن را برای سناریوهای بسیار مقیاس پذیر با دستگاه های دارای محدودیت منابع نامناسب می کند.از این رو ، رمزگذاری همرفید ترکیبی (HHE) - یک طرح رمزگذاری مدرن که رمزنگاری متقارن را با او ترکیب می کند - اخیراً برای غلبه بر این چالش ها معرفی شده است.HHE به طور بالقوه پایه و اساس ایجاد خدمات جدید و حفظ حریم خصوصی را فراهم می کند که عملیات گران قیمت را به ابر منتقل می کند.این کار با پیشنهاد پروتکل های PPML دوستانه منابع برای دستگاه های Edge ، HHE را به قسمت ML معرفی می کند.به طور دقیق تر ، ما از HHE به عنوان بلوک اصلی پروتکل های PPML خود استفاده می کنیم.ما عملکرد پروتکل های خود را با ارزیابی گسترده ارتباطات و هزینه های محاسباتی هر یک از طرفین در یک مجموعه داده ساختگی ارزیابی می کنیم و با مقایسه آنها با پروتکل های مشابه که با استفاده از BFV ساده اجرا می شوند ، کارآیی پروتکل های ما را نشان می دهیم.پس از آن ، ما با ساختن یک برنامه واقعی PPML که از HHE به عنوان پایه و اساس آن برای طبقه بندی بیماری های قلبی بر اساس داده های حساس ECG استفاده می کند ، کاربرد دنیای واقعی ساخت و ساز خود را نشان می دهیم.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
