طريقة لحماية المعلومات للتعلم العميق التعاوني تحت هجوم نموذج GAN

يستخدم التعلم العميق على نطاق واسع في المجال الطبي بفضل دقته العالية في تصنيف الصور الطبية والتطبيقات البيولوجية. ومع ذلك، تحت التعلم العميق التعاوني، هناك خطر جدّي من تسرب المعلومات بناءً على التوليد التلافيفي العميق ضد طريقة حماية خصوصية الشبكة. علاوة على ذلك، فإن خطر مثل هذا التسرب المعلوماتي يكون أكبر في المجال الطبي. تقترح هذه الورقة طريقة لحماية الخصوصية تعتمد على الشبكات التنافسية التوليدية التلافيفية العميقة (DCGAN) لحماية معلومات تدريب التعلم العميق التعاوني وتعزيز استقراره. تعتمد الطريقة المقترحة على النقل المشفر في عملية نقل معلمات الشبكة العميقة. من خلال ضبط النقطة المدفونة للكشف عن هجوم الشبكة التنافسية التوليدية (GAN) في الشبكة وضبط معلمات التدريب، يتم إجبار التدريب القائم على هجوم نموذج GAN على أن يكون غير صالح، وتُحمى المعلومات بشكل فعّال.