ترجمه فارسی مقاله DCT-CryptoNets: مقیاس بندی استنتاج خصوصی در دامنه فرکانس

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 DCT-CryptoNets: Scaling Private Inference in the Frequency Domain
عنوان مقاله به فارسی DCT-CryptoNets: مقیاس بندی استنتاج خصوصی در دامنه فرکانس
نویسندگان Arjun Roy, Kaushik Roy
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Cryptography and Security,Computer Vision and Pattern Recognition,Machine Learning,رمزنگاری و امنیت , چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 27 August, 2024; originally announced August 2024. , Comments: Under Review; 10 pages content, 3 pages appendix, 4 figures, 8 tables; Code TBD
توضیحات به فارسی ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: تحت بررسی ؛10 صفحه محتوا ، 3 صفحه پیوست ، 4 شکل ، 8 جدول ؛کد TBD
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 convergence of fully homomorphic encryption (FHE) and machine learning offers unprecedented opportunities for private inference of sensitive data. FHE enables computation directly on encrypted data, safeguarding the entire machine learning pipeline, including data and model confidentiality. However, existing FHE-based implementations for deep neural networks face significant challenges in computational cost, latency, and scalability, limiting their practical deployment. This paper introduces DCT-CryptoNets, a novel approach that leverages frequency-domain learning to tackle these issues. Our method operates directly in the frequency domain, utilizing the discrete cosine transform (DCT) commonly employed in JPEG compression. This approach is inherently compatible with remote computing services, where images are usually transmitted and stored in compressed formats. DCT-CryptoNets reduces the computational burden of homomorphic operations by focusing on perceptually relevant low-frequency components. This is demonstrated by substantial latency reduction of up to 5.3$\times$ compared to prior work on image classification tasks, including a novel demonstration of ImageNet inference within 2.5 hours, down from 12.5 hours compared to prior work on equivalent compute resources. Moreover, DCT-CryptoNets improves the reliability of encrypted accuracy by reducing variability (e.g., from $\pm$2.5\% to $\pm$1.0\% on ImageNet). This study demonstrates a promising avenue for achieving efficient and practical privacy-preserving deep learning on high resolution images seen in real-world applications.

چکیده به فارسی (ترجمه ماشینی)

همگرایی رمزگذاری کاملاً همرفومورفیک (FHE) و یادگیری ماشین فرصت های بی سابقه ای را برای استنباط خصوصی داده های حساس ارائه می دهد.FHE محاسبه را مستقیماً در داده های رمزگذاری شده ، محافظت از کل خط لوله یادگیری ماشین ، از جمله داده ها و محرمانه بودن مدل ، امکان پذیر می کند.با این حال ، پیاده سازی های موجود مبتنی بر FHE برای شبکه های عصبی عمیق با چالش های قابل توجهی در هزینه محاسباتی ، تأخیر و مقیاس پذیری با محدودیت استقرار عملی آنها روبرو هستند.در این مقاله ، Cryptonets DCT ، یک رویکرد جدید که از یادگیری دامنه فرکانس برای مقابله با این موضوعات استفاده می کند ، معرفی می شود.روش ما به طور مستقیم در حوزه فرکانس کار می کند ، با استفاده از تبدیل کسین گسسته (DCT) که معمولاً در فشرده سازی JPEG استفاده می شود.این رویکرد ذاتاً با خدمات محاسباتی از راه دور سازگار است ، جایی که معمولاً تصاویر در قالب های فشرده منتقل می شوند و ذخیره می شوند.CRYPTONETS DCT با تمرکز بر روی اجزای با فرکانس پایین ، بار محاسباتی عملیات همرفومورفیک را کاهش می دهد.این با کاهش تأخیر قابل توجه تا 5.3 $ \ برابر $ در مقایسه با کار قبلی در کارهای طبقه بندی تصویر ، از جمله نمایش جدید استنتاج Imagenet در طی 2.5 ساعت ، از 12.5 ساعت در مقایسه با کار قبلی در منابع محاسبه معادل نشان داده شده است.علاوه بر این ، کریپتون DCT با کاهش تنوع ، قابلیت اطمینان دقت رمزگذاری شده را بهبود می بخشد (به عنوان مثال ، از \ PM 2.5 $ \ ٪ به $ \ pm $ 1.0 \ ٪ در Imagenet).این مطالعه یک راه امیدوار کننده برای دستیابی به یادگیری عمیق و کارآمد در زمینه یادگیری عمیق در تصاویر با وضوح بالا که در برنامه های دنیای واقعی دیده می شود ، 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.