Фреймворк на основе блокчейна для создания и управления необучаемыми примерами для повышения конфиденциальности данных и контроля доступа

Summary

В этой статье предлагается основанная на блокчейне структура для генерации необучаемых примеров, объединяющая динамическое возмущение с контролем доступа. Он усиливает защиту конфиденциальности, гарантируя, что неавторизованные пользователи получат возмущенные данные, защищая конфиденциальную информацию, обеспечивая эффективное управление данными и доступ к ним через смарт-контракты.

Abstract

В условиях стремительного развития больших языковых моделей (LLM) контрастивное обучение получило широкое распространение благодаря своей способности обходить дорогостоящие аннотации данных, используя огромные объемы сетевых данных для обучения моделей. Тем не менее, такое широкое использование вызывает серьезные опасения в отношении защиты конфиденциальности данных. Необучаемые примеры (UE) — это метод, который нарушает процесс обучения модели путем искажения данных, и эффективно предотвращает неправомерное использование конфиденциальных данных несанкционированными моделями. Тем не менее, существующие методы генерации пользовательских интерфейсов сталкиваются с двумя основными проблемами: во-первых, возмущения могут быть обращены вспять с помощью таких методов, как обратная очистка или шумоподавление, включая диффузионные модели, которые устраняют защитные возмущения в графических пользовательских интерфейсах; Во-вторых, после публикации данных становится сложно обеспечить отслеживаемость данных и управление контролем доступа. Чтобы решить эти проблемы, в данной статье предлагается интегрированная в блокчейн структура генерации и управления необучаемыми примерами (B-UEGMF) для генерации и управления пользовательскими интерфейсами. Используя децентрализованные и неизменяемые свойства блокчейна, мы храним примеры хеш-значений в блокчейне и динамически управляем правами доступа к данным с помощью смарт-контрактов. Кроме того, пользовательские интерфейсы генерируются с использованием многокритериального метода возмущений, динамического шума с минимизацией ошибок (DEM), который повышает устойчивость к методам реверсирования. Мы также предоставляем количественную оценку возможностей защиты конфиденциальности сгенерированных примеров. Экспериментальные результаты показывают, что предложенная структура значительно улучшила защиту пользовательских интерфейсов от обратных атак, обеспечивая при этом эффективное управление конфиденциальностью данных.

Introduction

В последние годы, с быстрым развитием глубокого обучения и больших языковых моделей, контрастное обучение стало эффективным неконтролируемым подходом к обучению благодаря своей независимости от дорогостоящих ручных аннотаций ^1,2. Тем не менее, широкое использование общедоступных наборов данных вызвало серьезную обеспокоенность по поводу нарушений конфиденциальности и неправомерного использования данных. Случаи несанкционированного использования общедоступных данных для обучения модели становятся все более распространенными³. Например, в 2017 году несанк....

Protocol

Настройка
Мы рассмотрели задачу классификации с учителем и набором данных , где представлены входные признаки и обозначены соответствующие метки классов для задачи K-класса. Набор данных D разбивается на чистый обучающий набор данных и тестовый набор данных.

Results

Блокчейн и фреймворк смарт-контрактов
Экспериментальные результаты показали, что предложенная интегрированная в блокчейн структура генерации и управления необучаемыми примерами (B-UEGMF) в сочетании со смарт-контрактами обеспечивает эффективное динамическое управление доступом к данным, специфичным для клиента. Для авторизованных пользователей точность тестирования полученных чистых данных составила 90,2% на суррогатной модели ResNet-18, оцененной на наборе данных CIFAR-10. Напротив, неавторизованные .......

Discussion

Интеграция блокчейна и пользовательского оборудования продвинула область защиты конфиденциальности данных, предоставив прозрачное и децентрализованное решение для управления доступом к данным. В отличие от традиционных методов сохранения конфиденциальности, которые часто полагаются исключительно^{на методы} возмущения, это исследование устраняет разрыв между защитой данных и отслеживанием ответственности. В сценариях федеративного обучения предлагаемая структура обес.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
CUDA 12.1	НДВО		Используется для повышения производительности приложений глубокого обучения
NVIDIA A800 80GB PCIe A800 80GB PCIe	НДВО		Используется для обучения модели глубокого обучения
Python 3.10	Python Software Foundation		Используется для предварительной обработки и анализа данных
PyTorch 2.5.1	Фейсбук		Фреймворк глубокого обучения, используемый для обучения моделей
Ubuntu 22.04	Канонический		Операционная система, используемая для настройки среды