מסגרת מבוססת בלוקצ'יין ליצירה וניהול של דוגמאות בלתי ניתנות ללמידה לשיפור פרטיות הנתונים ובקרת הגישה

Summary

מאמר זה מציע מסגרת מבוססת בלוקצ'יין ליצירת דוגמאות בלתי ניתנות ללמידה, המשלבת הפרעה דינמית עם בקרת גישה. זה משפר את הגנת הפרטיות על ידי הבטחה שמשתמשים לא מורשים יקבלו נתונים מופרעים, שמירה על מידע רגיש תוך מתן אפשרות לניהול וגישה יעילים לנתונים באמצעות חוזים חכמים.

Abstract

בהקשר של ההתפתחות המהירה של מודלים גדולים של שפה (LLMs), למידה ניגודית אומצה באופן נרחב בשל יכולתה לעקוף הערות נתונים יקרות על ידי מינוף כמויות עצומות של נתוני רשת לאימון מודלים. עם זאת, שימוש נרחב זה מעלה חששות משמעותיים לגבי הגנה על פרטיות הנתונים. דוגמאות בלתי ניתנות ללמידה (UEs), טכניקה המשבשת את למידת המודלים על ידי הפרעה לנתונים, מונעת למעשה ממודלים לא מורשים לעשות שימוש לרעה בנתונים רגישים. עם זאת, השיטות הקיימות ליצירת UEs מתמודדות עם שני אתגרים עיקריים: ראשית, ניתן להפוך הפרעות באמצעות טכניקות כגון טיהור הפוך או דה-נוז, כולל מודלים של דיפוזיה המסירים הפרעות הגנה ב-UE של תמונה; שנית, לאחר פרסום הנתונים, הבטחת מעקב אחר נתונים וניהול בקרת גישה הופכת לקשה. כדי לטפל בסוגיות אלה, מאמר זה מציע מסגרת יצירה וניהול דוגמה בלתי ניתנת ללמידה משולבת בלוקצ'יין (B-UEGMF) ליצירה וניהול של UEs. על ידי מינוף המאפיינים המבוזרים והבלתי ניתנים לשינוי של בלוקצ'יין, אנו מאחסנים ערכי גיבוב לדוגמה בבלוקצ'יין ומנהלים באופן דינמי זכויות גישה לנתונים באמצעות חוזים חכמים. בנוסף, UEs נוצרים באמצעות טכניקת הפרעה רב-תכליתית, רעש דינמי למזעור שגיאות (DEM), המשפרת את החוסן כנגד שיטות היפוך. אנו מספקים גם הערכה כמותית של יכולות הגנת הפרטיות של הדוגמאות שנוצרו. תוצאות הניסוי מראות כי המסגרת המוצעת שיפרה משמעותית את ההגנה על UEs מפני התקפות הפוכות תוך הבטחת ניהול יעיל של פרטיות נתונים.

Introduction

בשנים האחרונות, עם ההתקדמות המהירה של למידה עמוקה ומודלים גדולים של שפה, למידה ניגודית התגלתה כגישת למידה יעילה ללא פיקוח בשל עצמאותה מהערות ידניות יקרות ^1,2. עם זאת, השימוש הנרחב במערכי נתונים ציבוריים העלה חששות משמעותיים לגבי הפרות פרטיות ושימוש לרעה בנתונים. מקרים של שימוש לא מורשה בנתונים הזמינים לציבור לצורך אימון מודלים הפכו נפוצים יותר^{ויותר 3}. לדוגמה, בשנת 2017 נעשה שימוש בתצלומים ציבוריים לא מורשים כדי להכשיר דוגמניות לזיהוי פנים⁴. באופן דומה, אמזון השתמשה בנתוני ביקורת ציבור צרכנים כדי לאמן את מערכות ההמלצות שלה מבלי לה....

Protocol

ההתקנה
שקלנו משימת סיווג מפוקחת עם מערך נתונים , שבו מייצג את תכונות הקלט ומציין את תוויות המחלקה המתאימות לבעיה במחלקה K. מערך הנתונים D מחולק למערך נתוני אימון נקי ומערך נתוני בדיקה.

המטרה היא לשנות את מערך הנתונים של האימון הנקי על ידי הצגת הפרע....

Results

מסגרת בלוקצ'יין וחוזים חכמים
תוצאות הניסוי הראו כי מסגרת היצירה והניהול המשולבת בבלוקצ'יין (B-UEGMF), בשילוב עם חוזים חכמים, אפשרה ניהול דינמי יעיל של גישה ספציפית ללקוח לנתונים. עבור משתמשים מורשים, הנתונים הנקיים שאוחזרו השיגו דיוק בדיקה של 90.2% במודל חלופי של ResNet-18 שהוערך במערך הנתונים CIFAR-10. לעומת זאת, משתמשים לא מורשים שניגשים ל-UEs שנוצרו על ידי DEM השיגו דיוק בדיקה נמוך משמעותית של 13.0%. תוצאות אלו מאמתות את היכולת של B-UEGMF לאכוף ביעילות בקרת גישה תוך שמירה על פרטיות הנתונים באמצעות .......

Discussion

השילוב של בלוקצ'יין ו-UEs קידם את תחום הגנת פרטיות הנתונים על ידי מתן פתרון שקוף ומבוזר לניהול גישה לנתונים. בניגוד לשיטות קונבנציונליות לשמירה על פרטיות, המסתמכות לעתים קרובות אך ורק על טכניקות הפרעה³¹, מחקר זה מגשר על הפער בין הגנה על נתונים למעקב אחר אחריות. בתרחישי למידה מאוחדים, המסגרת המוצעת מבטיחה אימון מאובטח ופרטי על פני מערכי נתונים מבוזרים, ומפחית את הסיכון לשחזור נתונים לא מורשה. בנוסף, מנגנון הקשב המוטמע ב-DEM משפר את יכולת ההסתגלות והחוסן, וסולל את ה.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
קודה - CUDA 12.1	NVIDIA		משמש לשיפור הביצועים של יישומי למידה עמוקה
NVIDIA A800 PCIe A800 בנפח 80 גיגה-בתים PCIe בנפח 80 גיגה-בתים	NVIDIA		משמש לאימון מודלים של למידה עמוקה
פייתון 3.10	קרן התוכנה של פייתון		משמש לעיבוד מקדים וניתוח נתונים
פייטורץ' - PyTorch 2.5.1	פייסבוק		מסגרת למידה עמוקה המשמשת לאימון מודלים
אובונטו 22.04	הקנוני		מערכת הפעלה המשמשת להגדרת הסביבה