基於激勵的隱私 – 利用區塊鏈技術保持深度學習和可驗證

概念 – 深度學習可以在各種AI差事中實現比傳統AI計算更高的精確度。最近，保護深度保護已經引起了數據安全網路的巨大考慮，其中既不依賴於準備信息也不依賴於準備模型。聯合學習是一種主流學習系統，其中各種聚會將鄰居斜坡轉移到伺服器，伺服器以聚集的角度更新模型參數。儘管如此，在組合學習中忽略了許多安全問題，例如，成員可能在角度收集或參數刷新中不準確地進行，並且伺服器也可能是有害的。在本文中，我們提出了一個名為DeepChain的傳播，安全，合理的深刻學習系統來處理這些問題。 DeepChain提供一種依賴於區塊鏈的價值驅動的激勵力量工具，迫使成員準確地繼續進行。與此同時，DeepChain確保為每個成員提供信息保護，並為整個準備過程提供合理性。我們實現了一個DeepChain模型，並領導調查了各種設置的真實數據集，結果表明我們的DeepChain很有前途。

介紹

依賴於假神經系統的深刻學習的後期進展已經在不同的差事中看到了非凡的精確性，例如話語承認，圖片確認，藥物啟示和疾病查詢的質量調查。為了實現更高的精度，必須對強大的學習模型提供巨大的信息測量，從而導致不合理的高計算開銷。無論如何，這個問題可以通過利用最近廣泛研究過的去中心化的深刻學習系統來解決。可悲的是，與普通的獨立深刻學習情境形成鮮明對比的是，保護問題涉及流傳的深刻學習。

隨著這些方面的深刻適應的安全保護在管理深刻學習中的保護擔憂中出現，並且在過去的幾年中已經出現了不同的模型。在這些當前的工作中，統一學習是一種普遍接受的框架設置。統一適應，也稱為社區導向學習，循環學習，基本上是深刻學習和傳達計算的結合，其中有一個伺服器，稱為參數伺服器，保持深刻的學習模式準備和參與適當的各種聚會準備過程。首先，準備信息被分配並放在每個聚會上。此時，每個聚會分別在她附近的信息上訓練一個深刻的學習模型（與參數伺服器保持類似的模型），並將道路坡道的中間轉移到參數伺服器。每次聚會都會無休止地提供斜坡，參數伺服器總計那些傾向並以類似的方式更新學習模型參數，之後每個聚會從伺服器下載刷新的參數並繼續進行類似鄰域的教練模型再次使用下載的參數信息。該製備程序重新進行，直到製備失誤比預先指定的極限更小。在任何情況下，這種組合學習系統都不能確保準備信息的保護，甚至準備信息也被獨立地隔離和收起。例如，一些科學家證明可以利用中間角來推測有關製劑信息的重要數據。 Shokri et通過在傾斜中添加囂聲來連接差分安全方法以進行轉移，完成信息安全和準備精度之間的交易所。 Haj等。提出Shokri的工作被忽略以確保信息安全，並表明好奇的參數伺服器可以通過GAN（生成對抗網路）學習來學習私人信息。 Orekondy等。由於斜坡包含足夠的信息亮點，因此誤用了中途傾向，以便在準備信息時發出可鏈接性攻擊。 Phong et。提出利用同態加密貨幣程序來屏蔽從好奇的參數伺服器準備信息安全。他們的計劃的缺點是他們接受協同成員是直截了當但不好奇，因此他們的計劃可能會在少數成員感興趣的情況下失敗。為了阻止好奇的成員，博納維茨等人。利用神秘共享和對稱加密貨幣工具來保證成員斜率的分類。

他們期待著

（1）成員和參數伺服器不能被任何想像力所吸引，並且（2）普通內容中收集的角度不會發現會員的鄰居信息。遺憾的是，隨後的假設再也不合法，因為目前可以獲得對上漲區域信息的登記扣除攻擊。