基于激励的隐私 – 利用区块链技术保持深度学习和可验证

概念 – 深度学习可以在各种AI差事中实现比传统AI计算更高的精确度。最近,保护深度保护已经引起了数据安全网络的巨大考虑,其中既不依赖于准备信息也不依赖于准备模型。联合学习是一种主流学习系统,其中各种聚会将邻居斜坡转移到服务器,服务器以聚集的角度更新模型参数。尽管如此,在组合学习中忽略了许多安全问题,例如,成员可能在角度收集或参数刷新中不准确地进行,并且服务器也可能是有害的。在本文中,我们提出了一个名为DeepChain的传播,安全,合理的深刻学习系统来处理这些问题。 DeepChain提供一种依赖于区块链的价值驱动的激励力量工具,迫使成员准确地继续进行。与此同时,DeepChain确保为每个成员提供信息保护,并为整个准备过程提供合理性。我们实现了一个DeepChain模型,并领导调查了各种设置的真实数据集,结果表明我们的DeepChain很有前途。

介绍

依赖于假神经系统的深刻学习的后期进展已经在不同的差事中看到了非凡的精确性,例如话语承认,图片确认,药物启示和疾病查询的质量调查。为了实现更高的精度,必须对强大的学习模型提供巨大的信息测量,从而导致不合理的高计算开销。无论如何,这个问题可以通过利用最近广泛研究过的去中心化的深刻学习系统来解决。可悲的是,与普通的独立深刻学习情境形成鲜明对比的是,保护问题涉及流传的深刻学习。

随着这些方面的深刻适应的安全保护在管理深刻学习中的保护担忧中出现,并且在过去的几年中已经出现了不同的模型。在这些当前的工作中,统一学习是一种普遍接受的框架设置。统一适应,也称为社区导向学习,循环学习,基本上是深刻学习和传达计算的结合,其中有一个服务器,称为参数服务器,保持深刻的学习模式准备和参与适当的各种聚会准备过程。首先,准备信息被分配并放在每个聚会上。此时,每个聚会分别在她附近的信息上训练一个深刻的学习模型(与参数服务器保持类似的模型),并将道路坡道的中间转移到参数服务器。每次聚会都会无休止地提供斜坡,参数服务器总计那些倾向并以类似的方式更新学习模型参数,之后每个聚会从服务器下载刷新的参数并继续进行类似邻域的教练模型再次使用下载的参数信息。该制备程序重新进行,直到制备失误比预先指定的极限更小。在任何情况下,这种组合学习系统都不能确保准备信息的保护,甚至准备信息也被独立地隔离和收起。例如,一些科学家证明可以利用中间角来推测有关制剂信息的重要数据。 Shokri et通过在倾斜中添加嚣声来连接差分安全方法以进行转移,完成信息安全和准备精度之间的交易所。 Haj等。提出Shokri的工作被忽略以确保信息安全,并表明好奇的参数服务器可以通过GAN(生成对抗网络)学习来学习私人信息。 Orekondy等。由于斜坡包含足够的信息亮点,因此误用了中途倾向,以便在准备信息时发出可链接性攻击。 Phong et。提出利用同态加密货币程序来屏蔽从好奇的参数服务器准备信息安全。他们的计划的缺点是他们接受协同成员是直截了当但不好奇,因此他们的计划可能会在少数成员感兴趣的情况下失败。为了阻止好奇的成员,博纳维茨等人。利用神秘共享和对称加密货币工具来保证成员斜率的分类。

他们期待着

(1)成员和参数服务器不能被任何想象力所吸引,并且(2)普通内容中收集的角度不会发现会员的邻居信息。遗憾的是,随后的假设再也不合法,因为目前可以获得对上涨区域信息的登记扣除攻击。

资讯来源:由0x资讯编译自NVESTLABS。版权归作者archana所有,未经许可,不得转载
提示:投资有风险,入市需谨慎,本资讯不作为投资理财建议。请理性投资,切实提高风险防范意识;如有发现的违法犯罪线索,可积极向有关部门举报反映。
你可能还喜欢