ترجمه فارسی مقاله CPSample: نمونه گیری محافظت شده طبقه بندی شده برای محافظت از داده های آموزش در هنگام انتشار

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 CPSample: Classifier Protected Sampling for Guarding Training Data During Diffusion
عنوان مقاله به فارسی CPSample: نمونه گیری محافظت شده طبقه بندی شده برای محافظت از داده های آموزش در هنگام انتشار
نویسندگان Joshua Kazdan, Hao Sun, Jiaqi Han, Felix Petersen, Stefano Ermon
فرمت مقاله انگلیسی PDF
تعداد صفحات 23
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 11 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 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

Diffusion models have a tendency to exactly replicate their training data, especially when trained on small datasets. Most prior work has sought to mitigate this problem by imposing differential privacy constraints or masking parts of the training data, resulting in a notable substantial decrease in image quality. We present CPSample, a method that modifies the sampling process to prevent training data replication while preserving image quality. CPSample utilizes a classifier that is trained to overfit on random binary labels attached to the training data. CPSample then uses classifier guidance to steer the generation process away from the set of points that can be classified with high certainty, a set that includes the training data. CPSample achieves FID scores of 4.97 and 2.97 on CIFAR-10 and CelebA-64, respectively, without producing exact replicates of the training data. Unlike prior methods intended to guard the training images, CPSample only requires training a classifier rather than retraining a diffusion model, which is computationally cheaper. Moreover, our technique provides diffusion models with greater robustness against membership inference attacks, wherein an adversary attempts to discern which images were in the model's training dataset. We show that CPSample behaves like a built-in rejection sampler, and we demonstrate its capabilities to prevent mode collapse in Stable Diffusion.

چکیده به فارسی (ترجمه ماشینی)

مدل های انتشار تمایل دارند که دقیقاً داده های آموزشی خود را تکرار کنند ، به خصوص هنگامی که در مجموعه داده های کوچک آموزش دیده اند.بیشتر کارهای قبلی به دنبال کاهش این مشکل با تحمیل محدودیت های حریم خصوصی دیفرانسیل یا نقاب زدن بخش هایی از داده های آموزش بوده است و در نتیجه باعث کاهش قابل توجه در کیفیت تصویر می شود.ما CPSample را ارائه می دهیم ، روشی که فرآیند نمونه برداری را اصلاح می کند تا از آموزش تکثیر داده ها در هنگام حفظ کیفیت تصویر جلوگیری کند.CPSample از طبقه بندی کننده ای استفاده می کند که برای بیش از حد در برچسب های باینری تصادفی متصل به داده های آموزش آموزش داده می شود.CPSAMPE سپس از راهنمایی طبقه بندی کننده برای هدایت فرآیند تولید به دور از مجموعه نقاطی که می توان با اطمینان بالا طبقه بندی شد ، استفاده می کند ، مجموعه ای که شامل داده های آموزش است.CPSAMPLE به ترتیب به ترتیب FID از 4.97 و 2.97 در CIFAR-10 و CELEBA-64 ، به ترتیب ، بدون تولید تکرار دقیق از داده های آموزش ، به دست می آید.بر خلاف روشهای قبلی که برای محافظت از تصاویر آموزشی در نظر گرفته شده است ، CPSAMPLE فقط نیاز به آموزش یک طبقه بندی کننده به جای بازآفرینی یک مدل انتشار ، که از نظر محاسباتی ارزان تر است ، نیاز دارد.علاوه بر این ، تکنیک ما مدل های انتشار را با استحکام بیشتر در برابر حملات استنباط عضویت ، که در آن یک طرف مقابل تلاش می کند تا تشخیص دهد کدام تصاویر در مجموعه داده های آموزش مدل هستند ، فراهم می کند.ما نشان می دهیم که CPSample مانند یک نمونه رد شده داخلی رفتار می کند ، و ما توانایی های آن را برای جلوگیری از فروپاشی حالت در انتشار پایدار نشان می دهیم.

📚 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.