Oparta na blockchainie platforma do generowania i zarządzania niezrozumiałymi przykładami w celu zwiększenia prywatności danych i kontroli dostępu

Summary

W niniejszym artykule zaproponowano opartą na blockchainie strukturę do generowania niemożliwych do nauczenia się przykładów, integrującą dynamiczne perturbacje z kontrolą dostępu. Zwiększa ochronę prywatności, zapewniając, że nieautoryzowani użytkownicy otrzymują zakłócone dane, chroniąc poufne informacje, a jednocześnie umożliwiając efektywne zarządzanie danymi i dostęp za pośrednictwem inteligentnych kontraktów.

Abstract

W kontekście szybkiego rozwoju dużych modeli językowych (LLM), uczenie kontrastywne stało się szeroko stosowane ze względu na jego zdolność do omijania kosztownych adnotacji danych poprzez wykorzystanie ogromnych ilości danych sieciowych do trenowania modeli. To powszechne stosowanie budzi jednak poważne obawy dotyczące ochrony prywatności danych. Nieuczące się przykłady (UE), technika, która zakłóca uczenie się modelu poprzez zakłócanie danych, skutecznie zapobiega niewłaściwemu wykorzystaniu poufnych danych przez nieautoryzowane modele. Jednak istniejące metody generowania UEs stoją przed dwoma podstawowymi wyzwaniami: po pierwsze, perturbacje można odwrócić za pomocą technik takich jak odwrotne oczyszczanie lub odszumianie, w tym modeli dyfuzyjnych, które usuwają ochronne perturbacje w obrazowych UE; Po drugie, po opublikowaniu danych zapewnienie identyfikowalności danych i zarządzanie kontrolą dostępu staje się trudne. Aby rozwiązać te problemy, w niniejszym dokumencie zaproponowano Blockchain-Integrated Unlearnable Example Generation and Management Framework (B-UEGMF) do generowania i zarządzania interfejsami UE. Wykorzystując zdecentralizowane i niezmienne właściwości blockchaina, przechowujemy przykładowe wartości skrótu w łańcuchu bloków i dynamicznie zarządzamy prawami dostępu do danych za pośrednictwem inteligentnych kontraktów. Dodatkowo, UEs są generowane przy użyciu wieloobiektywowej techniki perturbacji, Dynamic Error-Minimizing Noise (DEM), która zwiększa odporność na metody odwrócenia. Zapewniamy również ilościową ocenę możliwości ochrony prywatności wygenerowanych przykładów. Wyniki eksperymentalne pokazują, że zaproponowana struktura znacznie poprawiła ochronę UEs przed atakami odwrotnymi, zapewniając jednocześnie efektywne zarządzanie prywatnością danych.

Introduction

W ostatnich latach, wraz z szybkim postępem głębokiego uczenia i dużych modeli językowych, uczenie kontrastywne stało się skutecznym podejściem do uczenia się bez nadzoru ze względu na jego niezależność od kosztownych ręcznych adnotacji ^1,2. Jednak szerokie wykorzystanie publicznych zbiorów danych wzbudziło poważne obawy dotyczące naruszeń prywatności i niewłaściwego wykorzystania danych. Przypadki nieautoryzowanego wykorzystania publicznie dostępnych danych do trenowania modelu stają się coraz częstsze³. Na przykład w 2017 r. nieautoryzowane zdjęcia publiczne zostały wykorzystane do tr....

Protocol

Instalacji
Rozważyliśmy nadzorowane zadanie klasyfikacyjne z zestawem danych , gdzie reprezentuje cechy wejściowe i oznacza odpowiednie etykiety klas dla problemu klasy K. Zestaw danych D jest podzielony na czysty zestaw danych treningowych i zestaw danych testowych.

Results

Ramy łańcucha bloków i inteligentnych kontraktów
Wyniki eksperymentalne wykazały, że proponowana struktura generowania i zarządzania nieuczącymi się przykładami zintegrowanymi z blockchainem (B-UEGMF), w połączeniu z inteligentnymi kontraktami, umożliwiła skuteczne dynamiczne zarządzanie dostępem do danych specyficznym dla klienta. W przypadku autoryzowanych użytkowników uzyskane czyste dane osiągnęły dokładność testu na poziomie 90,2% w modelu zastępczym ResNet-18 ocenianym na zestawie danych CIFAR-1.......

Discussion

Integracja blockchaina i UEs posunęła naprzód dziedzinę ochrony prywatności danych, zapewniając przejrzyste i zdecentralizowane rozwiązanie do zarządzania dostępem do danych. W przeciwieństwie do konwencjonalnych metod ochrony prywatności, które często opierają się wyłącznie na technikach perturbacji³¹, badanie to wypełnia lukę między ochroną danych a śledzeniem odpowiedzialności. W scenariuszach uczenia federacyjnego proponowana struktura zapewnia bezpieczne i prywatne trenowanie modelu w zdecent.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
CUDA 12.1	Technologia NVIDIA		Służy do zwiększania wydajności aplikacji głębokiego uczenia
NVIDIA A800 80 GB PCIe A800 80 GB PCIe	Technologia NVIDIA		Służy do trenowania modelu uczenia głębokiego
Język Python 3.10	Fundacja oprogramowania Python		Służy do wstępnego przetwarzania i analizy danych
PyTorch 2.5.1	Aktualności		Struktura uczenia głębokiego używana do trenowania modelu
Ubuntownik 22.04	Kanoniczny		System operacyjny używany do konfigurowania środowiska