Veri Gizliliğini ve Erişim Kontrolünü Geliştirmek için Öğrenilemeyen Örnekler Oluşturmak ve Yönetmek için Blok Zinciri Tabanlı Çerçeve

Summary

Bu makale, dinamik bozulmayı erişim kontrolü ile entegre ederek öğrenilemeyen örnekler oluşturmak için blok zinciri tabanlı bir çerçeve önermektedir. Yetkisiz kullanıcıların rahatsız edici veriler almasını sağlayarak, hassas bilgileri korurken verimli veri yönetimi ve akıllı sözleşmeler aracılığıyla erişim sağlayarak gizlilik korumasını geliştirir.

Abstract

Büyük dil modellerinin (LLM'ler) hızlı gelişimi bağlamında, model eğitimi için büyük miktarda ağ verisinden yararlanarak maliyetli veri açıklamalarını atlama yeteneği nedeniyle kontrastlı öğrenme yaygın olarak benimsenmiştir. Bununla birlikte, bu yaygın kullanım, veri gizliliğinin korunmasına ilişkin önemli endişelere yol açmaktadır. Verileri bozarak model öğrenmeyi bozan bir teknik olan Öğrenilemeyen Örnekler (UE'ler), yetkisiz modellerin hassas verileri kötüye kullanmasını etkili bir şekilde önler. Bununla birlikte, UE'leri oluşturmak için mevcut yöntemler iki temel zorlukla karşı karşıyadır: birincisi, görüntü UE'lerindeki koruyucu bozulmaları ortadan kaldıran difüzyon modelleri de dahil olmak üzere ters saflaştırma veya gürültü giderme gibi teknikler kullanılarak bozulmalar tersine çevrilebilir; İkincisi, veriler yayınlandıktan sonra, veri izlenebilirliğini sağlamak ve erişim kontrolünü yönetmek zorlaşır. Bu sorunları ele almak için bu makale, UE'leri oluşturmak ve yönetmek için bir Blok Zinciriyle Entegre Öğrenilemeyen Örnek Oluşturma ve Yönetim Çerçevesi (B-UEGMF) önermektedir. Blok zincirinin merkezi olmayan ve değişmez özelliklerinden yararlanarak, örnek hash değerlerini blok zincirinde saklıyor ve akıllı sözleşmeler aracılığıyla veri erişim haklarını dinamik olarak yönetiyoruz. Ek olarak, UE'ler, tersine çevirme yöntemlerine karşı sağlamlığı artıran çok amaçlı bir pertürbasyon tekniği olan Dinamik Hata En Aza İndirici Gürültü (DEM) kullanılarak oluşturulur. Ayrıca, oluşturulan örneklerin gizlilik koruma yeteneklerinin nicel bir değerlendirmesini de sağlıyoruz. Deneysel sonuçlar, önerilen çerçevenin, verimli veri gizliliği yönetimi sağlarken UE'lerin ters saldırılara karşı savunmasını önemli ölçüde geliştirdiğini göstermektedir.

Introduction

Son yıllarda, derin öğrenmenin ve büyük dil modellerinin hızla ilerlemesiyle birlikte, karşılaştırmalı öğrenme, maliyetli manuel açıklamalardan bağımsız olması nedeniyle verimli bir denetimsiz öğrenme yaklaşımı olarak ortaya çıkmıştır ^1,2. Bununla birlikte, halka açık veri kümelerinin yaygın kullanımı, gizlilik ihlalleri ve verilerin kötüye kullanımı hakkında önemli endişelere yol açmıştır. Model eğitimi için kamuya açık verilerin yetkisiz kullanımı örnekleri giderek daha yaygın hale gelmiştir³. Örneğin, 2017 yılında, yüz tanıma modellerini eğitmek için izinsiz halka açık fotoğraflar kullanıldı⁴. Benzer şekilde Amazon, tüm kullanıcılardan açık rıza almadan öneri sistemlerini eğitmek için tüketici kamu incelemesi verilerini kullandı ve gizlilik koruma mekanizmalarındaki güvenlik açıklarını ortaya çıkardı⁵.

Bu sorunları ele almak için, Öğrenilemeyen Örnekler (UE'ler) yeni bir veri gizliliği koruma tekniği olarak ortaya çıkmıştır. UE'ler, veri örneklerine algılanamayan bozulmalar ekleyerek, verilerin insan algısını korurken modellerin hassas bilgileri öğrenmesini engelleyen bir kısayol sunar ^6,7,8. UE'leri oluşturmak için mevcut yöntemler arasında öncelikle Hata Azaltıcı Gürültü (EM) bozulmaları⁹, üretken çekişmeli ağlar (GAN'lar) tarafından bozulma ^üretimi10, Sağlam Hata Azaltıcı gürültü (REM) ve çekişmeli eğitim yoluyla optimize edilmiş Kararlı Hata Azaltıcı gürültü (SEM)^{bulunur 11,12}. Ek olarak, yanlış etiket gürültüsü oluşturmak için son zamanlarda difüzyon modelleri uygulanmış ve gizlilik korumasını daha da geliştirmiştir¹³.

UE'lerin oluşturulmasındaki önemli ilerlemeye rağmen, özellikle bu yöntemlerin gizlilik koruma etkilerinin tam olarak doğrulanmadığı gerçek dünya uygulamalarında çeşitli zorluklar devam etmektedir. Özellikle, temel zorluklar şunları içerir:
Restorasyon Sorunları: Difüzyon modelleri, verilere gömülü bozulmaları tahmin ederek ve ortadan kaldırarak, böylece öğrenilebilirliği geri yükleyerek ve gizlilik korumasını tehlikeye atarak Öğrenilemeyen Örnekleri kısmen kurtarabilir^14,15. Veriler eğitim sırasında bozulsa bile, hassas bilgiler geri yüklendikten sonra yine de ifşa edilebilir.
Veri İzlenebilirliği ve Erişim Kontrolü: Öğrenilemeyen Örnekler yayınlandıktan sonra, kökenlerini izlemek ve erişim kısıtlamalarını uygulamak için etkili mekanizmalar teknik olarak zorlayıcı olmaya devam etmektedir¹⁶.
Gizlilik Koruması ve Model Performansının Dengelenmesi: Mevcut yöntemler gizliliği korumak için Öğrenilemeyen Örnekler oluşturmaya odaklanırken, gizlilik koruması ile model eğitim performansı arasında bir denge sağlamak çözülmeden kalmaktadır 17,18,19. Mevcut araştırmaların çoğu gizlilik korumasına öncelik verir, ancak model eğitimi sırasında performans düşüşünü azaltmaya sınırlı önem verir^20,21. Sonuç olarak, veri erişimi ve kullanımı, gizliliğin korunmasında kritik endişeler haline gelmiştir²².

Merkezi çözümler ve güvenilir yürütme ortamları (TEE'ler) veri erişim kontrolüne alternatif yaklaşımlar sunarken, tıbbi/yasal senaryolarda doğal sınırlamalarla karşı karşıyadırlar: (1) Merkezi sistemler, tek hata noktaları ve denetim bağımlılığı getirir²³; (2) TEE'ler özel donanım gerektirir ve merkezi olmayan fikir birliğinden yoksundur²⁴. Blockchain, değişmez defter özellikleri UE yönetimi için üç kritik gereksinimi doğrudan ele aldığı için en uygun çözüm olarak ortaya çıkıyor: veri yönetişimi düzenlemelerine (örneğin, HIPAA denetim izleri) kanıtlanabilir uyumluluk, çok kurumlu ortamlarda sansüre dayanıklı erişim kontrolü ve zaman damgalı işlemler aracılığıyla ayrıntılı kaynak takibi 25,26,27.

Çerçevemiz, GPU hızlandırmalı orta ölçekli veri kümeleri için optimum performans göstererek gerçek zamanlı bozulma üretimi sağladı. Blok zinciri işlemleri ölçülebilir ek yük getirse de, bu ödünleşim, çok kurumlu tıbbi araştırmalar veya düzenlenmiş veri pazarları gibi değişmez erişim günlükleri gerektiren senaryolarda haklıdır. Sistem, veri kümesi boyutuyla doğrusal olarak ölçeklenir ancak kararlı çalışma için ≥16 GB RAM ve 4 çekirdekli CPU'lar gerektirir, bu da onu kaynak kısıtlı uç cihazlar için daha az uygun hale getirir.

Bu zorlukların üstesinden gelmek için bu makale, Blok Zincirine Entegre Öğrenilemeyen Örnek Oluşturma ve Yönetim Çerçevesi (B-UEGMF) önermektedir. Merkezi olmayan ve değişmez bir dağıtılmış defter teknolojisi olarak blok zinciri, veri erişim karmalarını etkin bir şekilde kaydeder ve akıllı sözleşmelerle erişim izinlerini dinamik olarak yönetir, böylece Öğrenilemeyen Örneklerin gizlilik koruma yeteneklerini geliştirir^28,29. Bu çerçevede, yetkili kullanıcılar temiz veriye erişebilirken, yetkisiz kullanıcılar yalnızca dinamik olarak oluşturulan Öğrenilemeyen Örneklere erişebilir. Mevcut sorunların üstesinden gelmek için bu makale, yeni bir Dinamik Hata Azaltma Gürültüsü (DEM) oluşturma yöntemini tanıtmaktadır. DEM, müşteriye özel bilgileri ve zamansal parametreleri bir araya getirerek, bozulmaları dinamik olarak verilere yerleştirir, her veri talebi için benzersiz bozulmalar oluşturur ve hem veri gizliliğini hem de öğrenilemezliği sağlar. DEM oluşturma süreci Şekil 1'de gösterilmiştir. Bu makalenin başlıca katkıları aşağıdaki gibidir:
Dinamik İzlenebilirlik ve Erişim Yönetimi: Bu makale, B-UEGMF çerçevesini önererek Öğrenilemeyen Örneklerin yayınlanmasıyla ilişkili izlenebilirlik ve erişim kontrolü sorunlarını ele almaktadır. Blok zincirinin merkezi olmayan doğası, geleneksel sistemlerdeki güvenilir üçüncü taraf sorununu çözerken, şeffaflığı, ham verileri açığa çıkarmadan doğrulanabilir erişim günlükleri sağlar. Blok zincirinin şeffaflığından ve değişmezliğinden yararlanarak, akıllı sözleşmeler tarafından sağlanan dinamik erişim kontrolü ile birleştiğinde, çerçeve, yetkisiz kullanıcıların temiz verileri kurtaramamasını veya yaymamasını sağlayarak veri güvenliğini önemli ölçüde artırır.

Dinamik Pertürbasyon Oluşturma Mekanizması: Akıllı sözleşmelerin farklı müşterilerden gelen istekleri yönettiği dinamik bir Öğrenilemeyen Örnekler oluşturma şeması tanıtıldı. DEM bozulmaları, istemciye özgü bilgilere ve zamansal parametrelere dayalı olarak yetkisiz istemci istekleri için dinamik olarak oluşturulur. Bu, bozulma etkilerinin istekler arasında farklılık göstermesini sağlar, böylece difüzyon tabanlı gürültü giderme yöntemlerine karşı direnci güçlendirir ve yetkisiz kullanıcıların aynı anda büyük ölçekli veri kümelerine erişmesini sınırlar.

CIFAR-10, CIFAR-100 ve ImageNet veri kümeleri üzerinde yapılan deneyler, Şekil 2'de gösterildiği gibi, DEM'in gizlilik koruması ve tersine mühendislik saldırılarına karşı direnç açısından mevcut yöntemlerden (ör. EM, TAP ve SEM) daha iyi performans gösterdiğini, Şekil 3'te gösterildiği gibi gürültü giderme saldırılarına karşı direnci EM'ye kıyasla %57 ve SEM'e kıyasla %25 oranında artırdığını göstermektedir. gerçek dünya senaryolarında potansiyel uygulanabilirliğini vurgulamak.

Protocol

Kurulum
Bir veri kümesiyle denetimli bir sınıflandırma görevi düşündük , burada giriş özelliklerini temsil eder ve bir K sınıfı problem için karşılık gelen sınıf etiketlerini belirtir. D veri kümesi, temiz bir eğitim veri kümesine ve bir test veri kümesine bölünür.

Amaç, küçük, algılanamayan bozulmalar sunarak temiz eğitim veri kümesini değiştirmek δ öğrenilemeyen bir veri kümesi oluşturmaktır , burada + δ. Bozulma δ, verilerin normal faydasını önemli ölçüde değiştirmemesini sağlamak için ile sınırlıdır. Temel amaç, D_u üzerinde eğitilen f_θ modelini, anlamlı özelliklerden ziyade gürültünün neden olduğu alakasız kalıplara odaklanmaya zorlayarak öğrenmeyi bozmak ve temiz bir test veri setinde zayıf genelleme ile sonuçlanmaktır:

Blok zinciri ortamını simüle etme
Blok zinciri araçlarını kurmak için Hardhat çerçevesi, akıllı sözleşmeleri dağıtmak ve Öğrenilemeyen Örneklerin oluşturulmasını test etmek için yerel bir ortamda bir Ethereum ağını simüle etmek için kullanılır. Yerel bir ağ başlatmak için, birden fazla düğüm ve hesap içeren simüle edilmiş bir blok zinciri ağı başlatılır. İşlem simülasyonlarını kolaylaştırmak için her düğüme Ether gibi kaynaklar tahsis edilir. Akıllı sözleşmeler geliştirmek için, kullanıcı izinlerini dinamik olarak yönetmek için uygulanırlar. Yetkili kullanıcılar temiz verilere erişebilirken, yetkisiz kullanıcılar Öğrenilemeyen Örneklere erişimle sınırlıdır. İlk olarak, Node.js v16.x ve Hardhat 2.8.4 tabanlı bir geliştirme ortamı yapılandırın ve akıllı sözleşmenin derlenmesini ve optimizasyonunu tamamlamak için Solidity 0.8.17 derleyicisini kullanın. Derleme işlemi, ABI ve bayt kodunu içeren yapı yapıtları oluşturmak için npx hardhat compile kullanılarak komut satırı tarafından yürütülür. Ardından, npx hardhat run scripts/deploy.js --network sepolia dağıtım betiğini çalıştırarak sözleşmeyi Sepolia test ağına dağıtın ve çıkış sözleşmesi adresini ve dağıtım işlemi karmasını kaydedin. Performans testi aşamasında, üç temel test sırayla yürütülür: işlem maliyeti testi, sözleşmenin grantAccess yöntemini döngüsel olarak çağırarak gaz tüketimini kaydeder; verim testi, artımlı olarak artan yük ile kullanıcı isteklerini simüle etmek için Topçu aracını kullanır; Veri depolama ve alma dahil olmak üzere test ve doğrulama işlemleri, akıllı sözleşmenin işlevselliğini doğrulamak için gerçekleştirilir.

Zincir üstü kullanıcılar ve izin mekanizmaları oluşturma
Benzersiz kullanıcı hesapları, her biri bir özel anahtar ve bir genel anahtar içeren blok zinciri cüzdanları (örneğin MetaMask) kullanılarak oluşturulur. Prototip uygulaması, sentetik kullanıcı varlıklarının halka açık veri kümelerini merkezi olmayan sisteme yüklediği ve dağıtılmış defterde yalnızca kriptografik hash değerlerini depoladığı simüle edilmiş bir blok zinciri ortamı kullanır. Bu, gerçek verileri zincir üzerinde depolamadan veri bütünlüğünü sağlar, bu da verimsiz ve maliyetli olacaktır. Gerçek veriler, genellikle IPFS gibi merkezi olmayan depolama sistemleri kullanılarak zincir dışında depolanır ve güvenlik ve gizliliği korurken verimli veri yönetimi sağlar. Değiştirilemez tokenler (NFT'ler) ve erişim kontrolü için bu çalışma, ERC-721 standardıyla uyumlu NFT'leri kullanarak ayrıntılı bir erişim kontrol mekanizması uygulamaktadır. Öğrenilemeyen örneklerden oluşan her veri kümesi, verilere erişmek için bir anahtar görevi gören benzersiz bir tokenId ile ilişkilendirilir. Kullanıcılar, Merkle kanıtlarını göndererek erişim talep eder. Bu kanıtlar, kullanıcının kimliğini güvenli ve merkezi olmayan bir şekilde doğrular. Başarılı bir kanıt doğrulamasının ardından, sözleşme benzersiz bir NFT basar ve bunu kullanıcının cüzdanına aktarır. Bu NFT, kullanıcının söz konusu öğrenilemeyen örnekle ilişkili verilere erişme hakkını temsil eder. NFT'lerin kullanımı, merkezi olmayan, değişmez bir kayda dayalı olarak verilere yalnızca yetkili kullanıcıların erişebilmesini sağlar. Bu, genellikle grup düzeyinde çalışan ve yüksek güvenlikli uygulamalar için gereken ayrıntı düzeyini sağlamayabilen geleneksel Rol Tabanlı Erişim Denetimi'nin (RBAC) tersidir³⁰.

Akıllı sözleşme, ownerOf işlevi aracılığıyla erişim izinlerini sürekli olarak doğrular ve temiz verilere yalnızca yetkili kullanıcıların erişebilmesini sağlamak için NFT'nin sahipliğini kontrol eder. Yöneticiler, revokeAccess işlevi aracılığıyla NFT'yi yok ederek erişimi iptal edebilir ve zaman içinde kullanıcı erişimini yönetmede esneklik sağlar. Operasyonel iş akışı dört kritik adımdan oluşur: (1) kullanıcılar Merkle kanıtlarını içeren erişim istekleri gönderir; (2) sözleşme bu kanıtların geçerliliğini doğrular; (3) başarılı bir doğrulamanın ardından, sözleşme ilgili NFT'yi basar; (4) kullanıcılar, NFT'nin meta verilerine gömülü IPFS İçerik Tanımlayıcısını (CID) kullanarak şifrelenmiş verileri alır. NFT'lerden yararlanarak, geleneksel erişim kontrol mekanizmalarına göre ayrıntılı izin kontrolü (veri düzeyine karşı grup düzeyinde), daha iyi denetim yeteneği (değişmez zincir üstü kayıtlar) ve izin aktarılabilirliği (NFT pazar yeri işlemleri) gibi çeşitli avantajlar elde ediyoruz.

Merkle kök hash'ini güncellemek için çoklu imza sözleşmeleri uygulanır ve verilerin yetkisiz olarak değiştirilmesini önler. Sistem, her veri kümesini benzersiz bir tokenId'ye bağlayarak anti-Sybil mekanizmalarını içerir ve kötü niyetli aktörlerin yetkisiz verilere erişmek için sahte belirteçler oluşturamamasını sağlar. UE'ler, Gezegenler Arası Dosya Sistemi (IPFS) ağına yüklenmeden önce AES-256 kullanılarak şifrelenir. Şifrelenmiş veri karmaları zincir üzerinde depolanırken, tüm veri kümeleri IPFS'de kalarak blok zinciri depolama ek yükünü azaltır. Zincir içi ve zincir dışı depolamayı birleştirmeye yönelik hibrit yaklaşım, blok zinciri tabanlı uygulamalarda yaygın bir endişe olan veri kullanılabilirliğini sağlamak ve depolama maliyetlerini azaltmak arasında bir denge kurar.

Akıllı sözleşmeler, kullanıcı izinlerini dinamik olarak yönetmek için kullanılır. Her kullanıcıya, yalnızca yetkilendirme belirteci olarak hizmet veren uygun NFT'ye sahip olmaları durumunda temiz verilere erişim izni verilir. Akıllı sözleşmeler, tüm veri erişimini olay günlüklerine kaydederek tam izlenebilirlik sağlar. Bu günlükler değişmezdir ve denetlenebilir, bu da şeffaflık ve hesap verebilirlik sunar. Akıllı sözleşme, erişim isteklerini doğrulamak için grantAccess işlevini kullanır. Sözleşme, kullanıcının uygun NFT'ye sahip olup olmadığını kontrol eder ve geçerliyse istenen verilere erişim izni verir. Her erişim olayı blok zincirine kaydedilir ve tüm veri alma etkinliklerinin doğrulanabilir olmasını sağlar. Her veri erişim olayı, akıllı sözleşme tarafından gerçek zamanlı olarak günlüğe kaydedilir ve bu da bir AccessGiven olayını tetikler. Bu etkinlik, kullanıcının cüzdan adresi, erişimin zaman damgası ve ilgili NFT tokenId gibi önemli bilgileri içerir. Akıllı sözleşmelerin dinamik doğası, izinlerin gerçek zamanlı yönetimine izin verir. Bu, özellikle erişim kontrolünün son derece esnek ve değişen koşullara uyarlanabilir olması gereken merkezi olmayan uygulamalarda kullanışlıdır.

Halka açık blok zinciri ortamlarındaki gizlilik endişelerini gidermek için sistem, blok zincirinde düşük çözünürlüklü küçük resimler (ör. 64 x 64 piksel) depolarken, orijinal yüksek çözünürlüklü görüntüler şifrelenir ve IPFS'de zincir dışı olarak saklanır. Yalnızca ilgili NFT'ye sahip olan yetkili kullanıcılar, yüksek çözünürlüklü verilere erişmek için şifre çözme anahtarlarını alabilir. Yetkisiz kullanıcılar, verilerin sürümlerini gerçek zamanlı DEM bozulmalarıyla alarak orijinal verilere erişemeyeceklerinden emin olur.

Görüntü bozulması oluşturun
CIFAR10, CIFAR100 ve ImageNet veri kümelerini yükleyin. Veri kümelerindeki görüntüler tek tip olarak yeniden boyutlandırılır ve PyTorch tensörüne dönüştürülür ve görüntü tensörü, ortalama ve standart sapma kullanılarak normalleştirilir. İlk bozulmayı oluşturmak için bir Gauss dağılımı kullanarak rastgele bir gürültü ^{δ 1} başlatın. Her x görüntüsüne rastgele parazit uygulanır ve hedef etiket ile model tahmini arasındaki kayıp, çapraz entropi kaybına dayalı olarak hesaplanır. C sınıfı bir veri setinde, bir örnek için i, y_i hedef etiket değeridir, p_i, model tarafından tahmin edilen olasılık dağılımı ile gerçek etiket arasındaki farkı ölçen ve modelin yanlış tahminler üretmesi için kaybı en üst düzeye çıkaran model tahmin olasılığıdır. Çapraz entropi kaybı:

Görüntü pertürbasyonunun kayıp fonksiyonuna göre hesaplanan tahmin üzerindeki etkisi, ters yayılma pertürbasyonu günceller ve pertürbasyon aralığı ve pertürbasyon değeri birden çok yineleme yoluyla sürekli olarak güncellenir. Öğrenme oranı η için, pertürbasyon için güncelleme formülü şu şekildedir:

Metin bozulmaları oluşturun
Metin gömmeleri oluşturmak için önceden eğitilmiş BERT modellerini yükleyin. BERT modelleri tarafından oluşturulan metin yerleştirmelerinden özellikleri çıkarmak için iki Transformer bloğundan ve tam bağlı bir katmandan oluşan özel bir TextFeatureExtractor ağı kullanılır. Erişim kullanıcısının kullanıcı bilgilerini ve zaman damgasını önceden eğitilmiş BERT modeline girin ve özelleştirilmiş TextFeatureExtractor ağı aracılığıyla dinamik olarak metin gürültüsü oluşturun.

Giriş görüntüsü I, Qwen2.5-VL-7B-Instruct multimodal modeline beslenir. Yapılandırılmış bir istem tarafından yönlendirilen model, kısa bir metinsel açıklama T_q oluşturur. Oluşturulan bu metin T_q, önceden eğitilmiş BERT tabanlı büyük/küçük harfsiz dil modeline girilir. Göreve özel yeniden yazma istemleri aracılığıyla sistem, ifadeyi değiştirirken anlambilimi koruyan rahatsız edici metinler oluşturur. Bir TextFeatureExtractor ağı, bozulmuş metni yüksek boyutlu bir anlamsal gömme vektörü E_g'ye eşler.

Çok hedefli bozulmalar oluşturun
Metin gömmeleri ve görüntü bozulmaları arasında uyumluluğu sağlamak için, metin gömmenin şeklini görüntü bozulmasının boyutlarına uyacak şekilde ayarlarız. E_T ve E_q metin yerleştirmelerini temsil etsin ve P_L görüntü bozulmasını temsil etsin. Yeniden şekillendirme işlemi, _{E T} ve E_q'nun PL ile aynı boyutluluğa dönüştürülmesini sağlar: burada C, H, W, P _L'nin boyutlarıdır. Metin gömme bozulmaları ve görüntü bozulmalarını birleştiren, bozulmaları metnin dikkat ağırlıklarına göre dinamik olarak ayarlayan bir dikkat mekanizması füzyon modülü tanımlayın. Füzyon şudur:

burada α, dikkat mekanizması parametrelerinin dinamik olarak ayarlanmasıdır. δ^T, E_q ve E_T tarafından oluşturulan metin bozukluğudur. Aşırı öğrenmeyi önlemek için eğitim sürecine bir düzenlileştirme terimi ekleyin. Düzenleme terimi, bozulmaları cezalandıran metin yerleştirmenin L2 normudur. Çok amaçlı kayıp fonksiyonu, çapraz entropi kaybını ve füzyon pertürbasyonunu birleştirir ve çok amaçlı kayıp fonksiyonu aşağıdaki gibidir:

Kayıp fonksiyonunun amaçları şunlardır:

burada λ , aşırı bozulmayı veya aşırı uyumu engellemek amacıyla bozulmanın ceza kuvvetini kontrol etmek için kullanılan bir düzenlileştirme katsayısıdır. Düşmanca saldırıların incelenmesinde, insan gözünün algılayabileceği pertürbasyon sınırı olduğu bulunmuştur. Pertürbasyon oluşturma, kayıp hesaplaması, model eğitimi vb. dahil olmak üzere eğitim ve değerlendirme süreci tanımlanmıştır.

Karşılaştırmalı deneyler
Önerilen Dinamik Hata Azaltma Gürültüsünün (DEM) mevcut üç yönteme karşı kapsamlı bir değerlendirmesini yaptık: Hata Azaltıcı Gürültü (EM), Aktarılabilir Çekişmeli Bozulmalar (TAP) ve Kararlı Hata Azaltma Gürültüsü (SEM). Bu yöntemler, üç kıyaslama veri kümesi üzerinde test edildi: CIFAR-10, CIFAR-100 ve ImageNet'in bir alt kümesi, yaygın olarak benimsenen dört sinir ağı mimarisi kullanılarak: VGG-16, ResNet-18, ResNet-50 ve DenseNet-121, çeşitli deneysel koşulları sağlamak için.

Ek olarak, savunma gürültüsünü ortadan kaldırmak için difüzyon tabanlı gürültü giderme modelleri uygulayarak ve test veri setleri üzerindeki gürültü giderme örneklerinin doğruluğunu ölçerek bu yöntemlerin sağlamlığını inceledik. Bu adım, her yöntemin kurtarma saldırılarına direnme ve olumsuz koşullar altında veri gizliliği bütünlüğünü koruma yeteneğini değerlendirmeyi amaçladı. Sonuçlar, DEM'imizin tüm veri kümelerinde ve mimarilerde hem sağlamlık hem de doğruluk açısından diğer yöntemlerden daha iyi performans gösterdiğini ve gizliliği koruyan bir çerçeve olarak etkinliğini gösterdiğini gösteriyor.

Results

Blockchain ve akıllı sözleşme çerçevesi

Discussion

Blok zinciri ve UE'lerin entegrasyonu, veri erişimini yönetmek için şeffaf ve merkezi olmayan bir çözüm sağlayarak veri gizliliği koruma alanını geliştirmiştir. Genellikle yalnızca pertürbasyon tekniklerine dayanan geleneksel gizliliği koruma yöntemlerinin³¹ aksine, bu çalışma veri koruma ve sorumluluk takibi arasındaki boşluğu doldurmaktadır. Birleşik öğrenme senaryolarında, önerilen çerçeve, merkezi olmayan veri kümelerinde güvenli ve özel model eğitimi sağlayar...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
CUDA 12.1	NVIDIA		Derin öğrenme uygulamalarının performansını artırmak için kullanılır
NVIDIA A800 80GB PCIe A800 80GB PCIe	NVIDIA		Derin öğrenme modeli eğitimi için kullanılır
Python 3.10	Python Yazılım Vakfı		Veri ön işleme ve analizi için kullanılır
PyTorch 2.5.1	Facebook Sayfası		Model eğitimi için kullanılan derin öğrenme çerçevesi
Ubuntu 22.04	Kurallı		Ortamı ayarlamak için kullanılan işletim sistemi