Une méthode de protection de l'information pour l'apprentissage profond collaboratif sous une attaque de modèle GAN

L'apprentissage profond est largement utilisé dans le domaine médical en raison de sa grande précision dans la classification d'images médicales et les applications biologiques. Cependant, dans le cadre de l'apprentissage profond collaboratif, il existe un risque sérieux de fuite d'informations basé sur la génération convolutive profonde contre la méthode de protection de la vie privée du réseau. De plus, le risque d'une telle fuite d'informations est plus grand dans le domaine médical. Cet article propose une méthode de protection de la vie privée basée sur des réseaux antagonistes génératifs convolutifs profonds (DCGAN) pour protéger les informations d'entraînement de l'apprentissage profond collaboratif et améliorer sa stabilité. La méthode proposée adopte une transmission cryptée dans le processus de transmission des paramètres du réseau profond. En définissant le point enterré pour détecter une attaque de réseau antagoniste génératif (GAN) dans le réseau et en ajustant les paramètres d'entraînement, l'entraînement basé sur l'attaque du modèle GAN est contraint d'être invalide, et les informations sont effectivement protégées.