ترجمه فارسی مقاله DOPPLER: بهینه سازهای خصوصی متفاوت با فیلتر پایین گذر برای کاهش نویز 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 DOPPLER: Differentially Private Optimizers with Low-pass Filter for Privacy Noise Reduction
عنوان مقاله به فارسی DOPPLER: بهینه سازهای خصوصی متفاوت با فیلتر پایین گذر برای کاهش نویز حریم خصوصی
نویسندگان Xinwei Zhang, Zhiqi Bu, Mingyi Hong, Meisam Razaviyayn
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Cryptography and Security,Machine Learning,یادگیری ماشین , رمزنگاری و امنیت , یادگیری ماشین ,
توضیحات Submitted 24 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 24 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
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

Privacy is a growing concern in modern deep-learning systems and applications. Differentially private (DP) training prevents the leakage of sensitive information in the collected training data from the trained machine learning models. DP optimizers, including DP stochastic gradient descent (DPSGD) and its variants, privatize the training procedure by gradient clipping and DP noise injection. However, in practice, DP models trained using DPSGD and its variants often suffer from significant model performance degradation. Such degradation prevents the application of DP optimization in many key tasks, such as foundation model pretraining. In this paper, we provide a novel signal processing perspective to the design and analysis of DP optimizers. We show that a ``frequency domain'' operation called low-pass filtering can be used to effectively reduce the impact of DP noise. More specifically, by defining the ``frequency domain'' for both the gradient and differential privacy (DP) noise, we have developed a new component, called DOPPLER. This component is designed for DP algorithms and works by effectively amplifying the gradient while suppressing DP noise within this frequency domain. As a result, it maintains privacy guarantees and enhances the quality of the DP-protected model. Our experiments show that the proposed DP optimizers with a low-pass filter outperform their counterparts without the filter by 3%-10% in test accuracy on various models and datasets. Both theoretical and practical evidence suggest that the DOPPLER is effective in closing the gap between DP and non-DP training.

چکیده به فارسی (ترجمه ماشینی)

حریم خصوصی نگرانی فزاینده ای در سیستم ها و برنامه های یادگیری عمیق مدرن است.آموزش های مختلف خصوصی (DP) از نشت اطلاعات حساس در داده های آموزش جمع آوری شده از مدلهای یادگیری ماشین آموزش دیده جلوگیری می کند.بهینه سازهای DP ، از جمله نزول شیب تصادفی DP (DPSGD) و انواع آن ، روش آموزش را با قطع شیب و تزریق نویز DP خصوصی سازی می کنند.با این حال ، در عمل ، مدل های DP با استفاده از DPSGD آموزش می بینند و انواع آن اغلب از تخریب عملکرد مدل قابل توجه رنج می برند.چنین تخریب مانع از استفاده از بهینه سازی DP در بسیاری از کارهای کلیدی مانند پیش بینی مدل پایه می شود.در این مقاله ، ما یک چشم انداز پردازش سیگنال جدید را به طراحی و تجزیه و تحلیل بهینه سازهای DP ارائه می دهیم.ما نشان می دهیم که یک عمل "دامنه فرکانس" به نام فیلتر کم گذر می تواند برای کاهش موثر تأثیر نویز DP استفاده شود.به طور خاص ، با تعریف "دامنه فرکانس" برای هر دو سر و صدای حریم خصوصی شیب و دیفرانسیل (DP) ، ما یک مؤلفه جدید به نام داپلر ایجاد کرده ایم.این مؤلفه برای الگوریتم های DP طراحی شده و با تقویت موثر شیب در حالی که سرکوب نویز DP در این دامنه فرکانس است ، کار می کند.در نتیجه ، تضمین های حریم خصوصی را حفظ کرده و کیفیت مدل محافظت شده DP را افزایش می دهد.آزمایشات ما نشان می دهد که بهینه سازهای DP پیشنهادی با فیلتر کم گذر از همتایان خود بدون فیلتر 3 ٪ -10 ٪ در دقت آزمایش در مدل ها و مجموعه داده های مختلف بهتر عمل می کنند.هر دو شواهد نظری و عملی نشان می دهد که داپلر در بستن شکاف بین آموزش DP و غیر DP مؤثر است.

📚 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.