📄Работа №181825
Тема: РЕАЛИЗАЦИЯ ГИБРИДНОГО ПОДХОДА ПРИ КОНФИДЕНЦИАЛЬНОМ ОБУЧЕНИИ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ
Тип работы
Бакалаврская работа
Предмет
информатика
Объем:
37 листов
Год:
2020
Просмотров:
42
4300
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
РЕФЕРАТ 2
ВВЕДЕНИЕ 5
1 Конфиденциальность в машинном обучении 7
1.1 Проблема конфиденциальности в машинном обучении 8
1.2 Риски использования конфиденциальных данных в машинном обучении8
2 Подходы конфиденциального машинного обучения 11
2.1 Федеративное обучение 11
2.2 Дифференциальная приватность 13
2.3 Гомоморфное шифрование 15
2.4 Протокол конфиденциального вычисления 18
3 Гибридный подход 22
3.1 Описание подхода 22
3.2 Сравнение с другими подходами 25
4 Реализация гибридного подхода для обучения рекуррентных нейронных
сетей 27
4.1 Рекуррентные нейронные сети 27
4.2 Описание реализации 28
4.3 Эксперименты 30
4.4 Выводы 31
ЗАКЛЮЧЕНИЕ 33
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 34
ВВЕДЕНИЕ 5
1 Конфиденциальность в машинном обучении 7
1.1 Проблема конфиденциальности в машинном обучении 8
1.2 Риски использования конфиденциальных данных в машинном обучении8
2 Подходы конфиденциального машинного обучения 11
2.1 Федеративное обучение 11
2.2 Дифференциальная приватность 13
2.3 Гомоморфное шифрование 15
2.4 Протокол конфиденциального вычисления 18
3 Гибридный подход 22
3.1 Описание подхода 22
3.2 Сравнение с другими подходами 25
4 Реализация гибридного подхода для обучения рекуррентных нейронных
сетей 27
4.1 Рекуррентные нейронные сети 27
4.2 Описание реализации 28
4.3 Эксперименты 30
4.4 Выводы 31
ЗАКЛЮЧЕНИЕ 33
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 34
📖 Введение
При обучении моделей машинного обучения для некоторых задач необходимо использовать конфиденциальные данные. Например, если мы выявляем случаи банковского мошенничества, то нам нужна информация о транзакциях клиентов банка. При этом владельцы данных хотят, чтобы как можно меньше людей получили доступ к их данным, а владельцы модели хотят, чтобы модель оставалась их собственностью. Если в процессе обучения модели машинного обучения участвует несколько сторон — владельцев данных, то конфиденциальность таких данных может быть нарушена. А некорректная организация процесса машинного обучения может привести к нарушению законов, регламентирующих использование конфиденциальных данных, и, соответственно, штрафам и репутационным издержкам для компаний.
Направление исследований, изучающее подходы машинного обучения, обеспечивающие конфиденциальность данных, называется конфиденциальными машинным обучением. Для решения этой задачи используется несколько классических подходов, описание которых приведено в следующей части. Каждый из подходов имеет свои недостатки и достоинства, поэтому важным направлением исследований становятся гибридные подходы, цель которых — взять все лучшее из базовых и уравновесить их недостатки. В работе [1] гибридный подход был реализован для деревьев решения, метода опорных векторов и сверточных нейронных сетей. Была формально обоснована безопасность этого подхода, и проведены эксперименты, показывающие, что качество модели, обученной с помощью гибридного подхода, не уступает качеству модели, обученной без всяких гарантий безопасности.
Важным алгоритмом машинного обучения являются рекуррентные нейронные сети, использующиеся, например, в машинном переводе, чат-ботах, распознании объектов в видеорядах.
Таким образом, цель выпускной квалификационной работы — реализовать гибридный подход при конфиденциальном обучении рекуррентных нейронных сетей.
Задачи:
1. Проанализировать существующие подходы конфиденциального машинного обучения.
2. Изучить гибридный подход конфиденциального машинного обучения.
3. Реализовать алгоритм для конфиденциального обучения рекуррентных нейронных сетей с помощью гибридного подхода.
4. Оценить и сравнить качество нового подхода с существующими.
Направление исследований, изучающее подходы машинного обучения, обеспечивающие конфиденциальность данных, называется конфиденциальными машинным обучением. Для решения этой задачи используется несколько классических подходов, описание которых приведено в следующей части. Каждый из подходов имеет свои недостатки и достоинства, поэтому важным направлением исследований становятся гибридные подходы, цель которых — взять все лучшее из базовых и уравновесить их недостатки. В работе [1] гибридный подход был реализован для деревьев решения, метода опорных векторов и сверточных нейронных сетей. Была формально обоснована безопасность этого подхода, и проведены эксперименты, показывающие, что качество модели, обученной с помощью гибридного подхода, не уступает качеству модели, обученной без всяких гарантий безопасности.
Важным алгоритмом машинного обучения являются рекуррентные нейронные сети, использующиеся, например, в машинном переводе, чат-ботах, распознании объектов в видеорядах.
Таким образом, цель выпускной квалификационной работы — реализовать гибридный подход при конфиденциальном обучении рекуррентных нейронных сетей.
Задачи:
1. Проанализировать существующие подходы конфиденциального машинного обучения.
2. Изучить гибридный подход конфиденциального машинного обучения.
3. Реализовать алгоритм для конфиденциального обучения рекуррентных нейронных сетей с помощью гибридного подхода.
4. Оценить и сравнить качество нового подхода с существующими.
✅ Заключение
В рамках работы была изучена проблема обучения моделей машинного обучения на конфиденциальных данных. Были исследованы существующие подходы: федеративное обучение, дифференциальная приватность,
гомоморфное шифрование, протокол конфиденциального вычисления. Проанализированы их преимущества и недостатки. На основе изученных подходов был выбран наиболее оптимальный — гибридный подход, показывающий самое высокое качество модели, и в то же время предоставляющий эквивалентные гарантии безопасности. В результате выполнения работы гибридный подход был реализован для обучения рекуррентных нейронных сетей, так как рекуррентные нейронные сети являются основой многих современных задач, а тем более чаще всего работают с теми самыми конфиденциальными данными. Описана реализация и произведены эксперименты, доказывающие состоятельность реализации.
гомоморфное шифрование, протокол конфиденциального вычисления. Проанализированы их преимущества и недостатки. На основе изученных подходов был выбран наиболее оптимальный — гибридный подход, показывающий самое высокое качество модели, и в то же время предоставляющий эквивалентные гарантии безопасности. В результате выполнения работы гибридный подход был реализован для обучения рекуррентных нейронных сетей, так как рекуррентные нейронные сети являются основой многих современных задач, а тем более чаще всего работают с теми самыми конфиденциальными данными. Описана реализация и произведены эксперименты, доказывающие состоятельность реализации.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.