ترجمه فارسی مقاله حفظ حریم خصوصی یادگیری دانش آموز با تقطیر متفاوت خصوصی بدون داده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Privacy-Preserving Student Learning with Differentially Private Data-Free Distillation
عنوان مقاله به فارسی حفظ حریم خصوصی یادگیری دانش آموز با تقطیر متفاوت خصوصی بدون داده
نویسندگان Bochao Liu, Jianghu Lu, Pengju Wang, Junjie Zhang, Dan Zeng, Zhenxing Qian, Shiming Ge
فرمت مقاله انگلیسی PDF
تعداد صفحات 6
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Cryptography and Security,Computer Vision and Pattern Recognition,یادگیری ماشین , هوش مصنوعی , رمزنگاری و امنیت , چشم انداز رایانه و تشخیص الگوی
توضیحات Submitted 18 September, 2024; originally announced September 2024. , Comments: Published by IEEE MMSP 2022
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: منتشر شده توسط IEEE MMSP 2022
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

Deep learning models can achieve high inference accuracy by extracting rich knowledge from massive well-annotated data, but may pose the risk of data privacy leakage in practical deployment. In this paper, we present an effective teacher-student learning approach to train privacy-preserving deep learning models via differentially private data-free distillation. The main idea is generating synthetic data to learn a student that can mimic the ability of a teacher well-trained on private data. In the approach, a generator is first pretrained in a data-free manner by incorporating the teacher as a fixed discriminator. With the generator, massive synthetic data can be generated for model training without exposing data privacy. Then, the synthetic data is fed into the teacher to generate private labels. Towards this end, we propose a label differential privacy algorithm termed selective randomized response to protect the label information. Finally, a student is trained on the synthetic data with the supervision of private labels. In this way, both data privacy and label privacy are well protected in a unified framework, leading to privacy-preserving models. Extensive experiments and analysis clearly demonstrate the effectiveness of our approach.

چکیده به فارسی (ترجمه ماشینی)

مدل های یادگیری عمیق می توانند با استخراج دانش غنی از داده های عظیم به خوبی از آن ، به دقت استنباط بالایی دست یابند ، اما ممکن است خطر نشت حریم خصوصی داده ها در استقرار عملی را ایجاد کند.در این مقاله ، ما یک رویکرد یادگیری مؤثر معلم و دانش آموز را برای آموزش مدلهای یادگیری عمیق حفظ حریم خصوصی از طریق تقطیر بدون داده های مختلف خصوصی ارائه می دهیم.ایده اصلی تولید داده های مصنوعی برای یادگیری دانشجویی است که می تواند توانایی یک معلم را به خوبی آموزش داده در داده های خصوصی تقلید کند.در این رویکرد ، یک ژنراتور ابتدا با ترکیب معلم به عنوان یک تبعیض آمیز ثابت ، به صورت عاری از داده پیش بینی می شود.با استفاده از ژنراتور ، داده های عظیم مصنوعی را می توان برای آموزش مدل ایجاد کرد بدون اینکه حریم خصوصی داده ها را در معرض دید خود قرار دهد.سپس ، داده های مصنوعی برای تولید برچسب های خصوصی به معلم تغذیه می شوند.در این منظور ، ما یک الگوریتم حفظ حریم خصوصی دیفرانسیل را پیشنهاد می کنیم که پاسخ تصادفی انتخابی برای محافظت از اطلاعات برچسب است.سرانجام ، یک دانش آموز با نظارت بر برچسب های خصوصی روی داده های مصنوعی آموزش دیده است.به این ترتیب ، هر دو حریم خصوصی داده ها و حریم خصوصی برچسب به خوبی در یک چارچوب یکپارچه محافظت می شوند و منجر به مدل های حفظ حریم خصوصی می شوند.آزمایشات و تجزیه و تحلیل گسترده به وضوح اثربخشی رویکرد ما را نشان 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.