اکسپرس 24
ترجمه فارسی مقاله یادگیری عمیق چندجانبه امن کوانتومی

ترجمه فارسی مقاله یادگیری عمیق چندجانبه امن کوانتومی

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 Quantum-secure multiparty deep learning
عنوان مقاله به فارسی یادگیری عمیق چندجانبه امن کوانتومی
نویسندگان Kfir Sulimany, Sri Krishna Vadlamani, Ryan Hamerly, Prahlad Iyengar, Dirk Englund
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
دسته بندی موضوعات Quantum Physics,Artificial Intelligence,Information Theory,Machine Learning,Optics,فیزیک کوانتومی , هوش مصنوعی , تئوری اطلاعات , یادگیری ماشین , اپتیک ,
توضیحات Submitted 13 September, 2024; v1 submitted 10 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛V1 ارسال شده 10 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: 640,000 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

Secure multiparty computation enables the joint evaluation of multivariate functions across distributed users while ensuring the privacy of their local inputs. This field has become increasingly urgent due to the exploding demand for computationally intensive deep learning inference. These computations are typically offloaded to cloud computing servers, leading to vulnerabilities that can compromise the security of the clients' data. To solve this problem, we introduce a linear algebra engine that leverages the quantum nature of light for information-theoretically secure multiparty computation using only conventional telecommunication components. We apply this linear algebra engine to deep learning and derive rigorous upper bounds on the information leakage of both the deep neural network weights and the client's data via the Holevo and the Cramér-Rao bounds, respectively. Applied to the MNIST classification task, we obtain test accuracies exceeding $96%$ while leaking less than $0.1$ bits per weight symbol and $0.01$ bits per data symbol. This weight leakage is an order of magnitude below the minimum bit precision required for accurate deep learning using state-of-the-art quantization techniques. Our work lays the foundation for practical quantum-secure computation and unlocks secure cloud deep learning as a field.

چکیده به فارسی (ترجمه ماشینی)

محاسبات چند حزب ایمن ارزیابی مشترک توابع چند متغیره را در بین کاربران توزیع شده امکان پذیر می کند و ضمن اطمینان از حریم خصوصی ورودی های محلی خود.این زمینه به دلیل تقاضای منفجر کننده برای استنتاج یادگیری عمیق محاسباتی ، به طور فزاینده ای فزاینده شده است.این محاسبات به طور معمول در سرورهای محاسبات ابری بارگیری می شوند و منجر به آسیب پذیری هایی می شوند که می توانند امنیت داده های مشتری را به خطر بیاندازند.برای حل این مشکل ، ما یک موتور جبر خطی را معرفی می کنیم که از ماهیت کوانتومی نور برای محاسبات چند حزبی از نظر نظری با استفاده از تنها اجزای ارتباطی معمولی استفاده می کند.ما این موتور جبر خطی را برای یادگیری عمیق اعمال می کنیم و مرزهای بالایی سخت را در نشت اطلاعات هر دو وزن شبکه عصبی عمیق و داده های مشتری از طریق Holevo و مرزهای Cramér-Rao به دست می آوریم.اعمال شده برای کار طبقه بندی MNIST ، ما در حالی که نشت کمتر از 0.1 $ بیت در هر نماد وزن و بیت 0.01 $ در هر نماد داده را به دست می آوریم ، دقت آزمایشی را بیش از 96 ٪ $ بدست می آوریم.این نشت وزن یک ترتیب از بزرگی پایین تر از حداقل دقت بیت مورد نیاز برای یادگیری عمیق دقیق با استفاده از تکنیک های کمیته ای پیشرفته است.کار ما پایه و اساس محاسبات عملی کوانتومی را فراهم می کند و یادگیری عمیق ابر را به عنوان یک زمینه باز می 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.