دانلود پایان نامه طبقه بندی و تولید داده های تصویر مصنوعی با حفظ حریم خصوصی

1. مقدمه 2. پیشینه و کارهای مرتبط 3. تولید تصویر مصنوعی با حفظ حریم خصوصی 4. یادگیری از طریق انتشار داده ها و دانش با حفظ حریم خصوصی 5. نتیجه گیری و کارهای آتی

چکیده – در حال حاضر، مدل های بینایی کامپیوتری، مدل های مولد (برای مثال، ChatGPT و غیره) و یادگیری عمیق، کاربردهای گسترده ای در بخش های مختلف، از شرکت های بزرگ تا دستگاه های انتهایی، پیدا کرده اند و در نتیجه زندگی افراد را تسهیل کرده اند و قابلیت اطمینان یافته های پزشکی را بهبود داده اند. داده های تصویری حساس و ظرفیت حافظه بالای یادگیری عمیق، باعث بوجود آمدن ریسک هایی برای حریم خصوصی، بخصوص برای تصاویر پزشکی حاوی اطلاعات خصوصی حساس شده اند. غیرناشناس سازی، بخاطر ریسک شناسایی مجدد و کاهش کارایی، کارآمد نیست. بنابراین، یک رویکرد خصوصی تفاضلی با نویز انتخابی علاوه بر تولید داده های تصویر پزشکی سنتزی ابعاد بالا با حریم خصوصی تفاضلی تضمین شده، توسعه داده ایم. علاوه بر تضمین حریم خصوصی داده ها، حفاظت از حریم خصوصی مدل دسته بندی بخاطر آسیب پذیری به «حمله های استنباط عضویت»، بسیار مهم است. روش های دفاعی نوین (برای مثال، حریم خصوصی تفاضلی و غیره)، دقت وظیفه برای حفظ حریم خصوصی را بهبود داده اند و تعدادی از روش ها، داده های خصوصی را استفاده مجدد می کنند یا نیاز به داده های عمومی بیشتری دارند که این کار در بعضی حوزه ها غیرعملی است. برای حل مسائل محرمانگی و در عین حال حفظ مطلوبیت و کارایی، یک روش انتشار همکارانه را پیشنهاد می دهیم که دانش را با استفاده از حداقل داده های سنتزی منتقل می کند و باعث بدست آمدن یک مدل دسته بندی کننده خصوصی فشرده می شود.

Computer vision, generative models (e.g., ChatGPT, etc.) and deep learning are now widely used across various sectors, from large corporations to end devices, simplifying people’s lives and improving the reliability of medical findings. Sensitive image data and deep learning’s high memorization capacity pose privacy risks, particularly for medical images containing sensitive private information. De-anonymization does not work due to the re-identification risk and reduced utility. So, we developed a differentially private approach with selective noise addition to generate high-dimensional synthetic medical image data with guaranteed differential privacy. In addition to ensuring data privacy, protecting the classification model’s privacy is crucial due to its vulnerability to “membership inference attacks”. State-of-the-art (e.g., differential privacy, etc.) defenses compromised task accuracy to preserve privacy, and some methods reuse private data or require more public data, which is impractical in some domains. To address privacy concerns while maintaining utility, we propose a collaborative distillation approach that transfers knowledge using minimal synthetic data, resulting in a compact private classifier model.