Machine Learning,Artificial Intelligence,Computation and Language,Cryptography and Security,یادگیری ماشین , هوش مصنوعی , محاسبات و زبان , رمزنگاری و امنیت ,
توضیحات
Submitted 20 August, 2024; originally announced August 2024. , Comments: 11 pages, 3 figures
توضیحات به فارسی
20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد ، نظرات: 11 صفحه ، 3 شکل
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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 utility of large language models (LLMs) depends heavily on the quality and quantity of their training data. Many organizations possess large data corpora that could be leveraged to train or fine-tune LLMs tailored to their specific needs. However, these datasets often come with access restrictions that are based on user privileges and enforced by access control mechanisms. Training LLMs on such datasets could result in exposure of sensitive information to unauthorized users. A straightforward approach for preventing such exposure is to train a separate model for each access level. This, however, may result in low utility models due to the limited amount of training data per model compared to the amount in the entire organizational corpus. Another approach is to train a single LLM on all the data while limiting the exposure of unauthorized information. However, current exposure-limiting methods for LLMs are ineffective for access-controlled data, where sensitive information appears frequently across many training examples. We propose DOMBA - double model balancing - a simple approach for training and deploying LLMs that provides high utility and access-control functionality with security guarantees. DOMBA aggregates the probability distributions of two models, each trained on documents with (potentially many) different access levels, using a "min-bounded" average function (a function that is bounded by the smaller value, e.g., harmonic mean). A detailed mathematical analysis and extensive evaluation show that DOMBA safeguards restricted information while offering utility comparable to non-secure models.
چکیده به فارسی (ترجمه ماشینی)
ابزار مدل های بزرگ زبان (LLM) به کیفیت و کمیت داده های آموزشی آنها بستگی دارد.بسیاری از سازمانها دارای داده های بزرگی هستند که می توانند برای آموزش یا LLM های مناسب متناسب با نیازهای خاص خود استفاده کنند.با این حال ، این مجموعه داده ها اغلب با محدودیت های دسترسی که مبتنی بر امتیازات کاربر است و توسط مکانیسم های کنترل دسترسی اجرا می شوند ، همراه هستند.آموزش LLMS در چنین مجموعه داده هایی می تواند منجر به قرار گرفتن در معرض اطلاعات حساس در برابر کاربران غیرمجاز شود.یک رویکرد ساده برای جلوگیری از چنین مواجهه ، آموزش یک مدل جداگانه برای هر سطح دسترسی است.با این حال ، این ممکن است به دلیل محدود بودن داده های آموزشی در هر مدل در مقایسه با مبلغ موجود در کل اجزای سازمانی منجر به مدل های کمتری شود.رویکرد دیگر آموزش یک LLM واحد در تمام داده ها در حالی است که قرار گرفتن در معرض اطلاعات غیرمجاز را محدود می کند.با این حال ، روش های محدود کننده قرار گرفتن در معرض فعلی برای LLM ها برای داده های کنترل شده دسترسی بی اثر هستند ، جایی که اطلاعات حساس اغلب در بسیاری از نمونه های آموزشی ظاهر می شود.ما Domba - Model Model را پیشنهاد می کنیم - یک رویکرد ساده برای آموزش و استقرار LLMS که با ضمانت های امنیتی کاربردی و عملکرد کنترل بالایی را فراهم می کند.DOMBA توزیع احتمال دو مدل را جمع می کند ، هر یک با استفاده از یک عملکرد متوسط "حداقل محدود" روی اسناد (به طور بالقوه بسیاری) آموزش داده می شوند (تابعی که با مقدار کوچکتر محدود می شود ، به عنوان مثال ، میانگین هارمونیک).تجزیه و تحلیل ریاضی دقیق و ارزیابی گسترده نشان می دهد که حفاظت DOMBA اطلاعات را در حالی که ابزار قابل مقایسه با مدل های غیر امن را ارائه می دهد ، محدود 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
