اکسپرس 24
ترجمه فارسی مقاله هارمونیک: بهره‌برداری از LLMها برای سنتز داده‌های جدولی و حفاظت از حریم خصوصی

ترجمه فارسی مقاله هارمونیک: بهره‌برداری از LLMها برای سنتز داده‌های جدولی و حفاظت از حریم خصوصی

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 HARMONIC: Harnessing LLMs for Tabular Data Synthesis and Privacy Protection
عنوان مقاله به فارسی هارمونیک: بهره‌برداری از LLMها برای سنتز داده‌های جدولی و حفاظت از حریم خصوصی
نویسندگان Yuxin Wang, Duanyu Feng, Yongfu Dai, Zhengyu Chen, Jimin Huang, Sophia Ananiadou, Qianqian Xie, Hao Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computation and Language,Cryptography and Security,یادگیری ماشین , هوش مصنوعی , محاسبات و زبان , رمزنگاری و امنیت ,
توضیحات Submitted 5 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 600,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Data serves as the fundamental foundation for advancing deep learning, particularly tabular data presented in a structured format, which is highly conducive to modeling. However, even in the era of LLM, obtaining tabular data from sensitive domains remains a challenge due to privacy or copyright concerns. Hence, exploring how to effectively use models like LLMs to generate realistic and privacy-preserving synthetic tabular data is urgent. In this paper, we take a step forward to explore LLMs for tabular data synthesis and privacy protection, by introducing a new framework HARMONIC for tabular data generation and evaluation. In the tabular data generation of our framework, unlike previous small-scale LLM-based methods that rely on continued pre-training, we explore the larger-scale LLMs with fine-tuning to generate tabular data and enhance privacy. Based on idea of the k-nearest neighbors algorithm, an instruction fine-tuning dataset is constructed to inspire LLMs to discover inter-row relationships. Then, with fine-tuning, LLMs are trained to remember the format and connections of the data rather than the data itself, which reduces the risk of privacy leakage. In the evaluation part of our framework, we develop specific privacy risk metrics DLT for LLM synthetic data generation, as well as performance evaluation metrics LLE for downstream LLM tasks. Our experiments find that this tabular data generation framework achieves equivalent performance to existing methods with better privacy, which also demonstrates our evaluation framework for the effectiveness of synthetic data and privacy risks in LLM scenarios.

چکیده به فارسی (ترجمه ماشینی)

داده ها به عنوان پایه اساسی برای پیشبرد یادگیری عمیق ، به ویژه داده های جدولی ارائه شده در قالب ساختاری ، که برای مدل سازی بسیار مناسب است ، خدمت می کنند.با این حال ، حتی در دوره LLM ، به دست آوردن داده های جدولی از حوزه های حساس به دلیل حفظ حریم خصوصی یا نگرانی های حق چاپ ، همچنان یک چالش است.از این رو ، بررسی نحوه استفاده مؤثر از مدلهایی مانند LLMS برای تولید داده های جدولی مصنوعی واقع گرایانه و حفظ حریم خصوصی فوری است.در این مقاله ، ما با معرفی یک چارچوب جدید هارمونیک برای تولید داده های جدولی و ارزیابی ، یک قدم به جلو برای کشف LLMS برای سنتز داده های جدولی و محافظت از حریم خصوصی برداشته ایم.در تولید داده های جدولی چارچوب ما ، بر خلاف روشهای قبلی مبتنی بر LLM در مقیاس کوچک که به ادامه دوره آموزش متکی هستند ، LLM های در مقیاس بزرگتر را با تنظیم دقیق برای تولید داده های جدولی و تقویت حریم خصوصی بررسی می کنیم.بر اساس ایده الگوریتم K-Nearest همسایگان ، یک مجموعه داده تنظیم دقیق دستورالعمل برای الهام بخشیدن به LLM ها برای کشف روابط بین ردیف ساخته شده است.سپس ، با تنظیم دقیق ، LLM ها آموزش داده می شوند تا قالب و اتصالات داده ها را به جای خود داده ها به خاطر بسپارند ، که خطر نشت حریم خصوصی را کاهش می دهد.در بخش ارزیابی چارچوب ما ، ما معیارهای خاص خطر حفظ حریم خصوصی DLT را برای تولید داده های مصنوعی LLM و همچنین معیارهای ارزیابی عملکرد LLE برای کارهای پایین دست LLM ایجاد می کنیم.آزمایشات ما نشان می دهد که این چارچوب تولید داده جدولی به عملکرد معادل روشهای موجود با حریم خصوصی بهتر دست می یابد ، که همچنین چارچوب ارزیابی ما را برای اثربخشی داده های مصنوعی و خطرات حریم خصوصی در سناریوهای LLM 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.