ترجمه فارسی مقاله استنتاج KAN حریم خصوصی کارآمد با استفاده از رمزگذاری همرفومورفیک

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Efficient Privacy-Preserving KAN Inference Using Homomorphic Encryption
عنوان مقاله به فارسی استنتاج KAN حریم خصوصی کارآمد با استفاده از رمزگذاری همرفومورفیک
نویسندگان Zhizheng Lai, Yufei Zhou, Peijia Zheng, Lin Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Cryptography and Security,یادگیری ماشین , رمزنگاری و امنیت ,
توضیحات Submitted 12 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

چکیده

The recently proposed Kolmogorov-Arnold Networks (KANs) offer enhanced interpretability and greater model expressiveness. However, KANs also present challenges related to privacy leakage during inference. Homomorphic encryption (HE) facilitates privacy-preserving inference for deep learning models, enabling resource-limited users to benefit from deep learning services while ensuring data security. Yet, the complex structure of KANs, incorporating nonlinear elements like the SiLU activation function and B-spline functions, renders existing privacy-preserving inference techniques inadequate. To address this issue, we propose an accurate and efficient privacy-preserving inference scheme tailored for KANs. Our approach introduces a task-specific polynomial approximation for the SiLU activation function, dynamically adjusting the approximation range to ensure high accuracy on real-world datasets. Additionally, we develop an efficient method for computing B-spline functions within the HE domain, leveraging techniques such as repeat packing, lazy combination, and comparison functions. We evaluate the effectiveness of our privacy-preserving KAN inference scheme on both symbolic formula evaluation and image classification. The experimental results show that our model achieves accuracy comparable to plaintext KANs across various datasets and outperforms plaintext MLPs. Additionally, on the CIFAR-10 dataset, our inference latency achieves over 7 times speedup compared to the naive method.

چکیده به فارسی (ترجمه ماشینی)

شبکه های Kolmogorov-Arnold که اخیراً پیشنهادی ارائه شده است (KANS) تفسیر پیشرفته و بیان بیشتر مدل را ارائه می دهد.با این حال ، Kans همچنین چالش های مربوط به نشت حریم خصوصی را در هنگام استنتاج ارائه می دهد.رمزگذاری Homomorphic (HE) استنتاج حفظ حریم خصوصی را برای مدل های یادگیری عمیق تسهیل می کند و کاربران محدود منابع را قادر می سازد تا ضمن اطمینان از امنیت داده ها ، از خدمات یادگیری عمیق بهره مند شوند.با این حال ، ساختار پیچیده KANS ، شامل عناصر غیرخطی مانند عملکرد فعال سازی SILU و عملکرد B-spline ، تکنیک های استنتاج حفظ حریم خصوصی موجود را ناکافی می کند.برای پرداختن به این مسئله ، ما یک طرح استنباط دقیق و کارآمد حفظ حریم خصوصی متناسب با KANS پیشنهاد می کنیم.رویکرد ما یک تقریب چند جمله ای خاص کار را برای عملکرد فعال سازی SILU معرفی می کند ، به طور پویا دامنه تقریبی را تنظیم می کند تا از دقت بالا در مجموعه داده های دنیای واقعی اطمینان حاصل شود.علاوه بر این ، ما یک روش کارآمد برای محاسبه توابع B-spline در حوزه HE ، تکنیک های اعمال اهرم مانند بسته بندی مکرر ، ترکیب تنبل و توابع مقایسه ایجاد می کنیم.ما اثربخشی طرح استنتاج KAN حفظ حریم خصوصی خود را در ارزیابی فرمول نمادین و طبقه بندی تصویر ارزیابی می کنیم.نتایج تجربی نشان می دهد که مدل ما به دقت قابل مقایسه با Plaintext Kans در مجموعه داده های مختلف و عملکرد MLP های Plaintext است.علاوه بر این ، در مجموعه داده CIFAR-10 ، تأخیر استنباط ما بیش از 7 برابر سرعت در مقایسه با روش ساده لوحانه به دست می آید.

📚 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.