ترجمه فارسی مقاله یک چارچوب یادگیری تقسیم حریم خصوصی برای ارتباطات ماهواره ای

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 An Efficient Privacy-aware Split Learning Framework for Satellite Communications
عنوان مقاله به فارسی یک چارچوب یادگیری تقسیم حریم خصوصی برای ارتباطات ماهواره ای
نویسندگان Jianfei Sun, Cong Wu, Shahid Mumtaz, Junyi Tao, Mingsheng Cao, Mei Wang, Valerio Frascolla
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Cryptography and Security,یادگیری ماشین , رمزنگاری و امنیت ,
توضیحات Submitted 13 September, 2024; originally announced September 2024. , Comments: 11 pages
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 11 صفحه
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

In the rapidly evolving domain of satellite communications, integrating advanced machine learning techniques, particularly split learning, is crucial for enhancing data processing and model training efficiency across satellites, space stations, and ground stations. Traditional ML approaches often face significant challenges within satellite networks due to constraints such as limited bandwidth and computational resources. To address this gap, we propose a novel framework for more efficient SL in satellite communications. Our approach, Dynamic Topology Informed Pruning, namely DTIP, combines differential privacy with graph and model pruning to optimize graph neural networks for distributed learning. DTIP strategically applies differential privacy to raw graph data and prunes GNNs, thereby optimizing both model size and communication load across network tiers. Extensive experiments across diverse datasets demonstrate DTIP's efficacy in enhancing privacy, accuracy, and computational efficiency. Specifically, on Amazon2M dataset, DTIP maintains an accuracy of 0.82 while achieving a 50% reduction in floating-point operations per second. Similarly, on ArXiv dataset, DTIP achieves an accuracy of 0.85 under comparable conditions. Our framework not only significantly improves the operational efficiency of satellite communications but also establishes a new benchmark in privacy-aware distributed learning, potentially revolutionizing data handling in space-based networks.

چکیده به فارسی (ترجمه ماشینی)

در حوزه در حال تحول سریع ارتباطات ماهواره ای ، ادغام تکنیک های پیشرفته یادگیری ماشین ، به ویژه یادگیری تقسیم شده ، برای تقویت پردازش داده ها و راندمان آموزش مدل در ماهواره ها ، ایستگاه های فضایی و ایستگاه های زمینی بسیار مهم است.رویکردهای سنتی ML به دلیل محدودیت هایی مانند پهنای باند محدود و منابع محاسباتی ، اغلب در شبکه های ماهواره ای با چالش های قابل توجهی روبرو هستند.برای پرداختن به این شکاف ، ما یک چارچوب جدید برای SL کارآمدتر در ارتباطات ماهواره ای پیشنهاد می کنیم.رویکرد ما ، توپولوژی پویا آگاهانه ، یعنی DTIP ، ترکیب حریم خصوصی دیفرانسیل را با نمودار و هرس مدل برای بهینه سازی شبکه های عصبی نمودار برای یادگیری توزیع شده ترکیب می کند.DTIP از لحاظ استراتژیک حریم خصوصی دیفرانسیل را برای داده های نمودار خام و GNN ها به کار می برد ، در نتیجه هر دو اندازه مدل و بار ارتباطی را در ردیف های شبکه بهینه می کند.آزمایش های گسترده در مجموعه داده های متنوع ، اثربخشی DTIP در تقویت حریم خصوصی ، دقت و کارآیی محاسباتی را نشان می دهد.به طور خاص ، در مجموعه داده های Amazon2M ، DTIP ضمن دستیابی به کاهش 50 ٪ در عملیات نقطه شناور در هر ثانیه ، دقت 0.82 را حفظ می کند.به طور مشابه ، در مجموعه داده ARXIV ، DTIP در شرایط قابل مقایسه به دقت 0.85 می رسد.چارچوب ما نه تنها به طور قابل توجهی کارایی عملیاتی ارتباطات ماهواره ای را بهبود می بخشد بلکه معیار جدیدی را در یادگیری توزیع شده در آگاه از حریم خصوصی ایجاد می کند ، که به طور بالقوه تغییر داده ها را در شبکه های مبتنی بر فضا متحول 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.