ترجمه فارسی مقاله دفاع در برابر حملات وارونگی مدل از طریق پاک کردن تصادفی

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 Defending against Model Inversion Attacks via Random Erasing
عنوان مقاله به فارسی دفاع در برابر حملات وارونگی مدل از طریق پاک کردن تصادفی
نویسندگان Viet-Hung Tran, Ngoc-Bao Nguyen, Son T. Mai, Hans Vandierendonck, Ngai-man Cheung
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
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 2 September, 2024; originally announced September 2024. , Comments: Under review. The first two authors contributed equally
توضیحات به فارسی ارسال شده در 2 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: تحت بررسی.دو نویسنده اول به طور مساوی کمک کردند
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

Model Inversion (MI) is a type of privacy violation that focuses on reconstructing private training data through abusive exploitation of machine learning models. To defend against MI attacks, state-of-the-art (SOTA) MI defense methods rely on regularizations that conflict with the training loss, creating explicit tension between privacy protection and model utility. In this paper, we present a new method to defend against MI attacks. Our method takes a new perspective and focuses on training data. Our idea is based on a novel insight on Random Erasing (RE), which has been applied in the past as a data augmentation technique to improve the model accuracy under occlusion. In our work, we instead focus on applying RE for degrading MI attack accuracy. Our key insight is that MI attacks require significant amount of private training data information encoded inside the model in order to reconstruct high-dimensional private images. Therefore, we propose to apply RE to reduce private information presented to the model during training. We show that this can lead to substantial degradation in MI reconstruction quality and attack accuracy. Meanwhile, natural accuracy of the model is only moderately affected. Our method is very simple to implement and complementary to existing defense methods. Our extensive experiments of 23 setups demonstrate that our method can achieve SOTA performance in balancing privacy and utility of the models. The results consistently demonstrate the superiority of our method over existing defenses across different MI attacks, network architectures, and attack configurations.

چکیده به فارسی (ترجمه ماشینی)

وارونگی مدل (MI) نوعی از نقض حریم خصوصی است که بر بازسازی داده های آموزش خصوصی از طریق بهره برداری سوءاستفاده از مدلهای یادگیری ماشین متمرکز است.برای دفاع در برابر حملات MI ، روشهای دفاعی پیشرفته (SOTA) MI متکی به منظم است که با ضرر آموزش مغایرت دارد و باعث ایجاد تنش صریح بین حفاظت از حریم خصوصی و ابزار مدل می شود.در این مقاله ، ما یک روش جدید برای دفاع در برابر حملات MI ارائه می دهیم.روش ما چشم انداز جدیدی را به خود می گیرد و بر داده های آموزش متمرکز است.ایده ما مبتنی بر یک بینش جدید در مورد پاک کردن تصادفی (RE) است که در گذشته به عنوان یک روش تقویت داده برای بهبود دقت مدل تحت انسداد استفاده شده است.در کار خود ، ما در عوض بر روی استفاده از RE برای تحقیر دقیق حمله MI تمرکز می کنیم.بینش اصلی ما این است که حملات MI به منظور بازسازی تصاویر خصوصی با ابعاد بالا ، به تعداد قابل توجهی از اطلاعات داده های آموزش خصوصی که در داخل مدل رمزگذاری شده اند ، نیاز دارند.بنابراین ، ما پیشنهاد می کنیم برای کاهش اطلاعات خصوصی ارائه شده به مدل در طول آموزش ، از Re استفاده کنیم.ما نشان می دهیم که این می تواند منجر به تخریب قابل توجهی در کیفیت بازسازی MI و دقت حمله شود.در همین حال ، دقت طبیعی مدل فقط تحت تأثیر متوسط ​​قرار می گیرد.روش ما برای اجرای و مکمل روشهای دفاعی موجود بسیار ساده است.آزمایش های گسترده ما از 23 تنظیم نشان می دهد که روش ما می تواند به عملکرد SOTA در متعادل کردن حریم خصوصی و کاربرد مدل ها دست یابد.نتایج به طور مداوم برتری روش ما نسبت به دفاع های موجود در حملات مختلف MI ، معماری شبکه و تنظیمات حمله 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.