Новости из мира науки, технологий и авто
Источник фото: pixabay.com Ученые создали систему повышения конфиденциальности данных. Обширные эксперименты с реальными наборами данных без идентификаторов ID показывают современные компромиссы между точностью и эффективностью для различного оборудования и распределения данных клиентов.
Чтобы предотвратить утечку частной информации при включении автоматизированного машинного интеллекта, наметилась тенденция к интеграции федеративного обучения и поиска по нейронной архитектуре (NAS).
Хотя это может показаться многообещающим, сочетание трудностей обоих принципов делает разработку алгоритма довольно сложной. В частности, вопрос о том, как эффективно искать оптимальную нейронную архитектуру напрямую из массивных не идентифицированных данных клиентов федеративным способом, остается проблемой.
Чтобы решить ее, ученые, используя достижения в области NAS без прокси, предложили платформу Federated Direct Neural Architecture Search (FDNAS), которая позволяет NAS с поддержкой оборудования получать децентрализованные данные клиентов без идентификаторов.
Для дальнейшей адаптации к различным распределениям данных клиентов на основе метаобучения, Фреймворк кластерного федеративного прямого поиска нейронной архитектуры (CFDNAS) предлагается для создания NAS с учетом требований клиента в том смысле, что каждый клиент может изучить адаптированную модель глубокого обучения для своего конкретного распределения данных.
