ترجمه فارسی مقاله حفاظت از حق نسخه برداری از مدل های زبانی از پیش آموزش دیده پزشکی: علامت گذاری درب پشتی بدون آموزش

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Protecting Copyright of Medical Pre-trained Language Models: Training-Free Backdoor Watermarking
عنوان مقاله به فارسی حفاظت از حق نسخه برداری از مدل های زبانی از پیش آموزش دیده پزشکی: علامت گذاری درب پشتی بدون آموزش
نویسندگان Cong Kong, Rui Xu, Weixi Chen, Jiawei Chen, Zhaoxia Yin
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Cryptography and Security,یادگیری ماشین , هوش مصنوعی , رمزنگاری و امنیت ,
توضیحات Submitted 14 September, 2024; originally announced September 2024. , Comments: 9 pages
توضیحات به فارسی ارسال شده در 14 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 9 صفحه
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

Pre-training language models followed by fine-tuning on specific tasks is standard in NLP, but traditional models often underperform when applied to the medical domain, leading to the development of specialized medical pre-trained language models (Med-PLMs). These models are valuable assets but are vulnerable to misuse and theft, requiring copyright protection. However, no existing watermarking methods are tailored for Med-PLMs, and adapting general PLMs watermarking techniques to the medical domain faces challenges such as task incompatibility, loss of fidelity, and inefficiency. To address these issues, we propose the first training-free backdoor watermarking method for Med-PLMs. Our method uses rare special symbols as trigger words, which do not impact downstream task performance, embedding watermarks by replacing their original embeddings with those of specific medical terms in the Med-PLMs' word embeddings layer. After fine-tuning the watermarked Med-PLMs on various medical downstream tasks, the final models (FMs) respond to the trigger words in the same way they would to the corresponding medical terms. This property can be utilized to extract the watermark. Experiments demonstrate that our method achieves high fidelity while effectively extracting watermarks across various medical downstream tasks. Additionally, our method demonstrates robustness against various attacks and significantly enhances the efficiency of watermark embedding, reducing the embedding time from 10 hours to 10 seconds.

چکیده به فارسی (ترجمه ماشینی)

مدل های زبان قبل از آموزش و به دنبال تنظیم دقیق در کارهای خاص در NLP استاندارد است ، اما مدل های سنتی اغلب هنگام استفاده از حوزه پزشکی تحت تأثیر قرار می گیرند و منجر به توسعه مدلهای تخصصی زبان از قبل آموزش یافته پزشکی (MED-PLMS) می شوند.این مدل ها دارایی های ارزشمندی هستند اما در برابر سوء استفاده و سرقت آسیب پذیر هستند و نیاز به محافظت از حق چاپ دارند.با این حال ، هیچ روش علامت گذاری موجود در MED-PLM متناسب نیست ، و تکنیک های علامت گذاری عمومی PLMS را با دامنه پزشکی تطبیق می دهد ، با چالش هایی مانند ناسازگاری کار ، از دست دادن وفاداری و ناکارآمدی روبرو نیست.برای پرداختن به این مسائل ، ما اولین روش علامت گذاری بدون در حالی را برای MED-PLMS ارائه می دهیم.روش ما از نمادهای ویژه نادر به عنوان کلمات ماشه استفاده می کند ، که بر عملکرد کار در پایین دست تأثیر نمی گذارد ، و با جایگزینی تعبیه های اصلی آنها با اصطلاحات پزشکی خاص در لایه تعبیه شده کلمه Med-PLMS ، علامت های علامت گذاری را تعبیه می کند.پس از تنظیم دقیق MED-PLM های علامت گذاری شده در کارهای مختلف پایین دست پزشکی ، مدل های نهایی (FMS) به کلمات ماشه به همان روشی که به شرایط پزشکی مربوطه پاسخ می دهند ، پاسخ می دهند.از این خاصیت می توان برای استخراج علامت استفاده کرد.آزمایشات نشان می دهد که روش ما به وفاداری بالایی دست می یابد در حالی که به طور موثری علامت های آبی را در کارهای مختلف پایین دست پزشکی استخراج می کند.علاوه بر این ، روش ما نشان دهنده استحکام در برابر حملات مختلف است و به طور قابل توجهی کارایی تعبیها را افزایش می دهد و زمان تعبیه را از 10 ساعت به 10 ثانیه کاهش می دهد.

📚 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.