في عالم الذكاء الاصطناعي، حيث تزداد المخاطر المتعلقة بالخصوصية مع كل ابتكار جديد، تظهر تقنيات حديثة تقدم حلولاً ذكية لحماية البيانات. نقدم لكم نموذج DMP-MH، الذي يمزج بين الخصوصية وفعالية استرجاع البيانات في التطبيقات المتعددة الأنماط (Multi-modal).

تشير الأنظمة الحديثة في استرجاع البيانات إلى كيفية ترميز الصور والنصوص إلى رموز ثنائية مدمجة، مما يسهل الوصول إلى المعلومات بكفاءة. رغم ذلك، تعتمد الأساليب الرائدة عادةً على الرسوم البيانية للتماثل الدلالي التي تتبع تفاعلات المستخدمين، وهذه الرسوم تمثل أنماط سلوكية حساسة تُعرض البيانات لتهديدات إعادة بناء الروابط.

للأسف، الإجراءات الحالية لحماية الخصوصية لم تنجح في التعامل مع البيانات الهيكلية الرسومية. استخدمت الطرق التقليدية مثل Stochastic Gradient Descent (SGD) طرقًا تضر بالشعائر المترابطة عن طريق اعتبار العينات بشكل مستقل، بينما عانت طرق تركيب الرسوم البيانية من حساسية محلية غير محدودة، وهو ما يعزز من خطر حدوث ظاهرة تعرف باسم "Hubness Explosion".

ولكن، مع DMP-MH، نرى تحسينًا ملحوظًا. يوفر هذا النموذج إطار عمل "Sanitize-then-Distill" الذي يفصل بين الخصوصية وتعلم التمثيل بشكل مبتكر. يبدأ النموذج بتحديد حساسيات البيانات عن طريق تقليم درجات العقد، مما يقلل تلقائيًا من مدى تأثيرها على النتائج. بعد ذلك، يتم إنشاء رسوم بيانية صناعية مُنظمة وفقًا لمفهوم Differential Privacy، مما يضمن عدم تجاوز الحدود المسموح بها.

وفي النهاية، تُستخدم شبكات التشفير المزدوجة لإنشاء تمثيلات هيكلية متكاملة، مما يضمن ت alignment بين الأنماط المختلفة للبيانات.

تم تقييم نموذج DMP-MH على مجموعات بيانات MIRFlickr-25K و NUS-WIDE، حيث تفوق على الأساليب التقليدية الخاصة بنسبة تصل إلى 11.4 نقطة في متوسط الدقة (mAP) مع الاحتفاظ بما يصل إلى 92.5% من الأداء غير الخاص. هذه النتائج تشير إلى أن هناك أمل كبير في مجال الخصوصية وفعالية الاسترجاع.