يعتبر [التعلم الفيدرالي](/tag/[التعلم](/tag/التعلم)-الفيدرالي) (Federated Learning) أحد أبرز [نماذج [التعلم](/tag/التعلم) الآلي](/tag/[نماذج](/tag/نماذج)-[التعلم](/tag/التعلم)-الآلي) التي تمكّن مجموعة من العملاء من [التعاون](/tag/التعاون) لبناء [نموذج تعليمي](/tag/[نموذج](/tag/نموذج)-تعليمي) مشترك من دون تبادل [البيانات](/tag/البيانات) الخاصة. وعلى الرغم من أن هذه المنظومة تهدف إلى الحفاظ على الخصوصية، إلا أن الهجمات الناجمة عن إعادة [بناء](/tag/بناء) [البيانات](/tag/البيانات) أثبتت أن المهاجمين قادرون على استعادة [بيانات التدريب](/tag/[بيانات](/tag/بيانات)-[التدريب](/tag/التدريب)) الخاصة بالعملاء من خلال المعلمات التي تتم مشاركتها.
تواجه أغلب الأساليب الحالية صعوبة في الهجوم على سيناريوهات [التعلم الفيدرالي](/tag/[التعلم](/tag/التعلم)-الفيدرالي) الأكثر شيوعًا والتي تعتمد على المتوسط الفيدرالي (Federated Averaging - FedAvg)، حيث يقوم العملاء بمشاركة معلمات النموذج بعد سلسلة من خطوات [التدريب](/tag/التدريب) المحلية. ومع ذلك، قدم الباحثون نهجًا مبتكرًا يعتمد على طريقة تقديرية تعتمد على التداخل، مما يسهل عملية الهجوم على سيناريوهات FedAvg من خلال إنشاء [تحديثات](/tag/تحديثات) نموذجية وسيطة لعمليات [التدريب](/tag/التدريب) المحلية للعملاء.
ولتحسين جودة إعادة [بناء](/tag/بناء) البيانات، صمم الباحثون دالة خسارة موزونة طبقة (Layer-Wise Weighted Loss Function) تقوم بإسناد أوزان مختلفة لتحديثات النموذج في طبقات مختلفة بناءً على هيكل الشبكة العصبية، حيث يتم ضبط هذه الأوزان باستخدام [تحسين بايزي](/tag/[تحسين](/tag/تحسين)-[بايزي](/tag/بايزي)) ([Bayesian](/tag/bayesian) [Optimization](/tag/optimization)).
تظهر النتائج التجريبية تفوق الطريقة الجديدة المعتمدة على إعادة البناء والتقدير المدعوم بالأوزان (Approximate and Weighted Attack - AWA) مقارنةً بالأساليب الحديثة الأخرى، إذ تُظهر [تحسينات](/tag/تحسينات) واضحة في مختلف [مقاييس التقييم](/tag/[مقاييس](/tag/مقاييس)-[التقييم](/tag/التقييم)) لإعادة [بناء](/tag/بناء) [بيانات](/tag/بيانات) [الصور](/tag/الصور).
هذه التطورات تطرح تساؤلات هامة حول [الأمان](/tag/الأمان) والخصوصية في عالم الذكاء الاصطناعي، وتفتح الأبواب أمام المزيد من [الأبحاث](/tag/الأبحاث) في هذا المجال.
ما رأيكم في هذا التطور؟ شاركونا في [التعليقات](/tag/التعليقات).
الهجمات المعتمدة على إعادة بناء البيانات في التعلم الفيدرالي: طريقة جديدة لجعلها قابلة للتطبيق!
تعرف على كيفية استغلال الهجمات المعتمدة على إعادة بناء البيانات في نماذج التعلم الفيدرالي (Federated Learning) من خلال طريقة مبتكرة تسمح بالوصول إلى بيانات التدريب. اكتشف كيف تختلف هذه الطريقة عن الأساليب التقليدية ولماذا تعتبر ثورة في هذا المجال.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...
