Cryptography and Security,Computer Vision and Pattern Recognition,Machine Learning,رمزنگاری و امنیت , چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات
Submitted 3 September, 2024; originally announced September 2024. , Comments: To appear in the ACM Conference on Computer and Communications Security (CCS'24), October 14-18, 2024, Salt Lake City, UT, USA
توضیحات به فارسی
ارسال شده در 3 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: برای حضور در کنفرانس ACM در زمینه امنیت رایانه و ارتباطات (CCS'24) ، 14 تا 18 اکتبر ، 2024 ، سالت لیک سیتی ، UT ، ایالات متحده
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
Neural Radiance Fields (NeRF) have revolutionized 3D computer vision and graphics, facilitating novel view synthesis and influencing sectors like extended reality and e-commerce. However, NeRF's dependence on extensive data collection, including sensitive scene image data, introduces significant privacy risks when users upload this data for model training. To address this concern, we first propose SplitNeRF, a training framework that incorporates split learning (SL) techniques to enable privacy-preserving collaborative model training between clients and servers without sharing local data. Despite its benefits, we identify vulnerabilities in SplitNeRF by developing two attack methods, Surrogate Model Attack and Scene-aided Surrogate Model Attack, which exploit the shared gradient data and a few leaked scene images to reconstruct private scene information. To counter these threats, we introduce $S^2$NeRF, secure SplitNeRF that integrates effective defense mechanisms. By introducing decaying noise related to the gradient norm into the shared gradient information, $S^2$NeRF preserves privacy while maintaining a high utility of the NeRF model. Our extensive evaluations across multiple datasets demonstrate the effectiveness of $S^2$NeRF against privacy breaches, confirming its viability for secure NeRF training in sensitive applications.
چکیده به فارسی (ترجمه ماشینی)
زمینه های تابش عصبی (NERF) چشم انداز و گرافیک رایانه ای سه بعدی را متحول کرده اند ، سنتز نمای جدید را تسهیل می کنند و بخش هایی مانند واقعیت گسترده و تجارت الکترونیکی را تحت تأثیر قرار می دهند.با این حال ، وابستگی نرف به جمع آوری داده های گسترده ، از جمله داده های حساس تصویر صحنه ، خطرات حریم خصوصی قابل توجهی را هنگام بارگذاری کاربران این داده ها برای آموزش مدل ایجاد می کند.برای پرداختن به این نگرانی ، ما ابتدا Splitnerf را پیشنهاد می کنیم ، یک چارچوب آموزشی که شامل تکنیک های یادگیری تقسیم شده (SL) است تا بتواند آموزش مدل مشارکتی حفظ حریم خصوصی را بین مشتری و سرورها بدون به اشتراک گذاری داده های محلی فراهم کند.با وجود فواید آن ، ما با ایجاد دو روش حمله ، حمله مدل جانشین و حمله به مدل جانشین صحنه ، که از داده های شیب مشترک و چند تصویر صحنه بیرون آمده بهره برداری می کنند ، آسیب پذیری های موجود در Splitnerf را شناسایی می کنیم.برای مقابله با این تهدیدها ، ما $ s^2 $ nerf را معرفی می کنیم ، splitnerf امن که مکانیسم های دفاعی مؤثر را ادغام می کند.با معرفی سر و صدای پوسیدگی مربوط به هنجار شیب به اطلاعات شیب مشترک ، $ S^2 $ nerf ضمن حفظ ابزار بالایی از مدل NERF ، حریم خصوصی را حفظ می کند.ارزیابی های گسترده ما در بین مجموعه داده های مختلف ، اثربخشی $ S^2 $ nerf در برابر نقض حریم خصوصی را نشان می دهد و زنده ماندن آن را برای آموزش ایمن NERF در برنامه های حساس تأیید 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
