ترجمه فارسی مقاله خطرات هنگام به اشتراک گذاری وزن مدل انتشار خوب Lora

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 Risks When Sharing LoRA Fine-Tuned Diffusion Model Weights
عنوان مقاله به فارسی خطرات هنگام به اشتراک گذاری وزن مدل انتشار خوب Lora
نویسندگان Dixi Yao
فرمت مقاله انگلیسی PDF
تعداد صفحات 37
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Cryptography and Security,Computer Vision and Pattern Recognition,یادگیری ماشین , رمزنگاری و امنیت , چشم انداز رایانه و تشخیص الگوی ,
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

With the emerging trend in generative models and convenient public access to diffusion models pre-trained on large datasets, users can fine-tune these models to generate images of personal faces or items in new contexts described by natural language. Parameter efficient fine-tuning (PEFT) such as Low Rank Adaptation (LoRA) has become the most common way to save memory and computation usage on the user end during fine-tuning. However, a natural question is whether the private images used for fine-tuning will be leaked to adversaries when sharing model weights. In this paper, we study the issue of privacy leakage of a fine-tuned diffusion model in a practical setting, where adversaries only have access to model weights, rather than prompts or images used for fine-tuning. We design and build a variational network autoencoder that takes model weights as input and outputs the reconstruction of private images. To improve the efficiency of training such an autoencoder, we propose a training paradigm with the help of timestep embedding. The results give a surprising answer to this research question: an adversary can generate images containing the same identities as the private images. Furthermore, we demonstrate that no existing defense method, including differential privacy-based methods, can preserve the privacy of private data used for fine-tuning a diffusion model without compromising the utility of a fine-tuned model.

چکیده به فارسی (ترجمه ماشینی)

با روند نوظهور در مدلهای تولیدی و دسترسی راحت عمومی به مدلهای انتشار که از قبل در مجموعه داده های بزرگ آموزش داده شده است ، کاربران می توانند این مدل ها را به خوبی تنظیم کنند تا تصاویر چهره های شخصی یا مواردی را در زمینه های جدید توصیف شده توسط زبان طبیعی ایجاد کنند.تنظیم دقیق کارآمد پارامتر (PEFT) مانند سازگاری با درجه پایین (LORA) به رایج ترین روش برای ذخیره حافظه و استفاده از محاسبات در انتهای کاربر در طول تنظیم دقیق تبدیل شده است.با این حال ، یک سوال طبیعی این است که آیا تصاویر خصوصی مورد استفاده برای تنظیم دقیق هنگام به اشتراک گذاری وزن مدل به مخالفان فاش می شود.در این مقاله ، ما مسئله نشت حریم خصوصی یک مدل انتشار دقیق تنظیم شده را در یک محیط عملی بررسی می کنیم ، جایی که مخالفان فقط به جای ارسال ها یا تصاویر مورد استفاده برای تنظیم دقیق ، به وزن مدل دسترسی دارند.ما یک خودکار شبکه متنوع را طراحی و می سازیم که وزن مدل را به عنوان ورودی می گیرد و بازسازی تصاویر خصوصی را خروجی می کند.برای بهبود کارآیی آموزش چنین خودکشی ، ما یک الگوی آموزشی را با کمک تعبیه Timestep پیشنهاد می کنیم.نتایج پاسخ شگفت آور به این سؤال تحقیق می دهد: یک دشمن می تواند تصاویر حاوی هویت مشابه تصاویر خصوصی را تولید کند.علاوه بر این ، ما نشان می دهیم که هیچ روش دفاعی موجود ، از جمله روشهای مبتنی بر حریم خصوصی دیفرانسیل ، نمی تواند حریم خصوصی داده های خصوصی مورد استفاده برای تنظیم دقیق یک مدل انتشار را بدون به خطر انداختن ابزار یک مدل تنظیم شده حفظ کند.

📚 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.