ترجمه فارسی مقاله یادگیری فدرال با محاسبات کوانتومی و رمزگذاری کاملاً همرفومورفیک: تغییر پارادایم محاسباتی جدید در حریم خصوصی ML

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Federated Learning with Quantum Computing and Fully Homomorphic Encryption: A Novel Computing Paradigm Shift in Privacy-Preserving ML
عنوان مقاله به فارسی یادگیری فدرال با محاسبات کوانتومی و رمزگذاری کاملاً همرفومورفیک: تغییر پارادایم محاسباتی جدید در حریم خصوصی ML
نویسندگان Siddhant Dutta, Pavana P Karanth, Pedro Maciel Xavier, Iago Leal de Freitas, Nouhaila Innan, Sadok Ben Yahia, Muhammad Shafique, David E. Bernal Neira
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,Artificial Intelligence,Cryptography and Security,Machine Learning,Neural and Evolutionary Computing,فیزیک کوانتومی , هوش مصنوعی , رمزنگاری و امنیت , یادگیری ماشین , محاسبات عصبی و تکاملی ,
توضیحات Submitted 18 September, 2024; v1 submitted 13 September, 2024; originally announced September 2024. , Comments: 10 pages, 2 figures
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛V1 ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 10 صفحه ، 2 شکل
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

The widespread deployment of products powered by machine learning models is raising concerns around data privacy and information security worldwide. To address this issue, Federated Learning was first proposed as a privacy-preserving alternative to conventional methods that allow multiple learning clients to share model knowledge without disclosing private data. A complementary approach known as Fully Homomorphic Encryption (FHE) is a quantum-safe cryptographic system that enables operations to be performed on encrypted weights. However, implementing mechanisms such as these in practice often comes with significant computational overhead and can expose potential security threats. Novel computing paradigms, such as analog, quantum, and specialized digital hardware, present opportunities for implementing privacy-preserving machine learning systems while enhancing security and mitigating performance loss. This work instantiates these ideas by applying the FHE scheme to a Federated Learning Neural Network architecture that integrates both classical and quantum layers.

چکیده به فارسی (ترجمه ماشینی)

استقرار گسترده محصولاتی که از مدل های یادگیری ماشین استفاده می شود ، نگرانی های مربوط به حریم خصوصی داده ها و امنیت اطلاعات را در سراسر جهان ایجاد می کند.برای پرداختن به این موضوع ، یادگیری فدرال برای اولین بار به عنوان یک جایگزین حفظ حریم خصوصی برای روشهای معمولی ارائه شد که به چندین مشتری یادگیری اجازه می دهد دانش مدل را بدون افشای داده های خصوصی به اشتراک بگذارند.یک رویکرد تکمیلی که به عنوان رمزگذاری کاملاً همرفومورفیک (FHE) شناخته می شود ، یک سیستم رمزنگاری ایمن کوانتومی است که باعث می شود عملیات بر روی وزنهای رمزگذاری شده انجام شود.با این حال ، مکانیسم های اجرای مانند این در عمل اغلب با سربار محاسباتی قابل توجهی همراه هستند و می توانند تهدیدات امنیتی بالقوه را در معرض دید خود قرار دهند.پارادایم های محاسباتی جدید ، مانند سخت افزار دیجیتال آنالوگ ، کوانتومی و تخصصی ، فرصت هایی را برای اجرای سیستم های یادگیری ماشین حفظ حریم خصوصی در عین حال افزایش امنیت و کاهش از دست دادن عملکرد ارائه می دهند.این کار با استفاده از طرح FHE در یک معماری شبکه عصبی یادگیری فدرال که هم لایه های کلاسیک و کوانتومی را ادغام می کند ، این ایده ها را فوری 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.