ترجمه فارسی مقاله VFLGAN-TS: شبکه های متخاصم مولد مبتنی بر یادگیری فدرال عمودی برای انتشار داده های سری زمانی تقسیم بندی شده عمودی

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 VFLGAN-TS: Vertical Federated Learning-based Generative Adversarial Networks for Publication of Vertically Partitioned Time-Series Data
عنوان مقاله به فارسی VFLGAN-TS: شبکه های متخاصم مولد مبتنی بر یادگیری فدرال عمودی برای انتشار داده های سری زمانی تقسیم بندی شده عمودی
نویسندگان Xun Yuan, Zilong Zhao, Prosanta Gope, Biplab Sikdar
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Cryptography and Security,یادگیری ماشین , رمزنگاری و امنیت ,
توضیحات Submitted 5 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 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

In the current artificial intelligence (AI) era, the scale and quality of the dataset play a crucial role in training a high-quality AI model. However, often original data cannot be shared due to privacy concerns and regulations. A potential solution is to release a synthetic dataset with a similar distribution to the private dataset. Nevertheless, in some scenarios, the attributes required to train an AI model are distributed among different parties, and the parties cannot share the local data for synthetic data construction due to privacy regulations. In PETS 2024, we recently introduced the first Vertical Federated Learning-based Generative Adversarial Network (VFLGAN) for publishing vertically partitioned static data. However, VFLGAN cannot effectively handle time-series data, presenting both temporal and attribute dimensions. In this article, we proposed VFLGAN-TS, which combines the ideas of attribute discriminator and vertical federated learning to generate synthetic time-series data in the vertically partitioned scenario. The performance of VFLGAN-TS is close to that of its counterpart, which is trained in a centralized manner and represents the upper limit for VFLGAN-TS. To further protect privacy, we apply a Gaussian mechanism to make VFLGAN-TS satisfy an $(ε,δ)$-differential privacy. Besides, we develop an enhanced privacy auditing scheme to evaluate the potential privacy breach through the framework of VFLGAN-TS and synthetic datasets.

چکیده به فارسی (ترجمه ماشینی)

در دوره فعلی هوش مصنوعی (AI) ، مقیاس و کیفیت مجموعه داده ها نقش مهمی در آموزش یک مدل هوش مصنوعی با کیفیت بالا دارند.با این حال ، اغلب داده های اصلی به دلیل نگرانی ها و مقررات مربوط به حریم خصوصی قابل به اشتراک نمی روند.یک راه حل بالقوه انتشار یک مجموعه داده مصنوعی با توزیع مشابه به مجموعه داده های خصوصی است.با این وجود ، در برخی از سناریوها ، ویژگی های مورد نیاز برای آموزش یک مدل هوش مصنوعی در بین احزاب مختلف توزیع می شود ، و طرفین نمی توانند داده های محلی را برای ساخت داده های مصنوعی به دلیل مقررات حفظ حریم خصوصی به اشتراک بگذارند.در حیوانات خانگی 2024 ، ما اخیراً اولین شبکه ژنراتیوي مولد مبتنی بر یادگیری فدرال (VFLGAN) را برای انتشار داده های استاتیک به صورت عمودی تقسیم شده معرفی کردیم.با این حال ، Vflgan نمی تواند به طور مؤثر داده های سری زمانی را اداره کند و ابعاد زمانی و ویژگی را ارائه می دهد.در این مقاله ، ما VFLGAN-TS را پیشنهاد کردیم ، که ایده های تبعیض آمیز و یادگیری فدراسیون عمودی را برای تولید داده های سری زمانی مصنوعی در سناریوی تقسیم عمودی ترکیب می کند.عملکرد VFLGAN-TS نزدیک به همتای خود است که به روشی متمرکز آموزش دیده و حد بالایی را برای VFLGAN-TS نشان می دهد.برای محافظت بیشتر از حریم خصوصی ، ما یک مکانیزم گاوسی را برای اطمینان از حریم خصوصی $ (ε ، δ) $-به کار می بریم.علاوه بر این ، ما یک طرح ممیزی حریم خصوصی پیشرفته برای ارزیابی نقض حریم خصوصی بالقوه از طریق چارچوب مجموعه داده های VFLGAN-TS و مصنوعی تهیه می کنیم.

📚 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.