التعلم العميق بخصوصية متميزة مع تخصيص ديناميكي لميزانية الخصوصية وتحسين تكيفي

تم اعتماد التعلم العميق (DL) في مجموعة واسعة من تطبيقات إنترنت الأشياء (IoT) مثل القيادة الذاتية والرعاية الصحية الذكية والشبكات الذكية، ولكن يمكن أن تعقد القيود المتعلقة بالبيانات وخصوصية المستخدم تنفيذها بشكل أوسع. سعيًا لمعالجة كل من الخصوصية والفائدة بشكل مشترك، نقوم في هذه الورقة بربط انتشار الأهمية على مستوى الطبقة مع نزول التدرج لإدخال الضوضاء المناسبة في التدرجات. كما نقوم بتحسين طريقة قطع التدرج التقليدية من خلال تقسيم التدرجات إلى عدة مجموعات؛ وبالتالي، تقليل تشويه التدرج. نظرًا لأن التدرج المزعج يسبب اتجاه النزول غير المحدد وقد يؤثر سلبًا على تقليل الخسارة، نستخدم خوارزمية NoisyMin لاختيار أفضل حجم خطوة لكل اضطراب في التدرج. أخيرًا، نددمج المحسن التكيفي في نزول التدرج. بالإضافة إلى تحسين فائدة النموذج، نستفيد أيضًا من آلية إضافة الضوضاء الرائدة Sinh-Normal لتحقيق الخصوصية التفاضلية المركزة المقطوعة (tCDP) - كما يتضح من تحليلنا الدقيق. كما تؤكد تقييماتنا التجريبية أيضًا على فعالية الخوارزمية المقترحة.