Αλγόριθμοι μηχανικής μάθησης με διατήρηση της ιδιωτικότητας και υψηλή αποδοτικότητα

Περίληψη

Η ευρεία διαθεσιμότητα δεδομένων έχει αποτελέσει καταλύτη για την ανάπτυξη της βαθιάς μάθησης. Οι εξελίξεις αυτές περιλαμβάνουν την ταξινόμηση εικόνων, την αναγνώριση ομιλίας και την επεξεργασία φυσικής γλώσσας. Ωστόσο, η πρόοδος που βασίζεται στα δεδομένα συχνά παρεμποδίζεται από περιορισμούς ιδιωτικότητας, οι οποίοι εμποδίζουν τη δημόσια διάθεση ορισμένων συνόλων δεδομένων. Για παράδειγμα, κάποια σύνολα δεδομένων υπολογιστικής όρασης δεν μπορούν να δημοσιοποιηθούν λόγω κανονισμών απορρήτου, ιδίως όταν περιέχουν εικόνες με ευαίσθητο ή ενοχλητικό περιεχόμενο. Την ίδια στιγμή, είναι αναγκαίο τα μοντέλα βαθιάς μάθησης –και ειδικά τα Βαθιά Νευρωνικά Δίκτυα (Deep Neural Networks, DNNs)– να υλοποιούνται με τρόπο αποδοτικό ως προς τους υπολογιστικούς πόρους. Στην παρούσα διατριβή, εστιάζουμε στην αποδοτική χρήση των DNNs μέσω μεθόδων που μειώνουν το υπολογιστικό τους κόστος. Αρχικά, εξετάζουμε τις προκλήσεις που αφορούν την προστασία της ιδιωτικότητας στη βαθιά μάθηση. Προτείνουμε μια νέα με ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Extensive data availability has catalyzed the expansion of deep learning. Such advancements include image classification, speech, and natural language processing. However, this data-driven progress is often hindered by privacy restrictions preventing the public release of specific datasets. For example, some vision datasets cannot be shared due to privacy regulations, particularly those containing images depicting visually sensitive or disturbing content. At the same time, it is imperative to deploy deep learning efficiently, specifically Deep Neural Networks (DNNs), which are the core of deep learning. In this dissertation, we focus on achieving efficiency by reducing the computational cost of DNNs in multiple ways. This thesis first tackles the privacy concerns arising from deep learning. It introduces a novel methodology that synthesizes and releases synthetic data, instead of private data. Specifically, we propose Differentially Private Image Synthesis (DP-ImgSyn) for generating an ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/58917
ND
58917
Εναλλακτικός τίτλος
Privacy preserving and efficient machine learning algorithms
Συγγραφέας
Σουφλέρη, Ευσταθία (Πατρώνυμο: Κωνσταντίνος)
Ημερομηνία
2024
Ίδρυμα
Purdue University. School of Electrical and Computer Engineering
Εξεταστική επιτροπή
Roy Kaushik
Raghunathan Anand
Raghunathan Vijay
Gupta Sumeet
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Ρομποτική
Λέξεις-κλειδιά
Μηχανική μάθηση; Βαθιά μάθηση; Αλγόριθμοι; Μηχανική όραση; Τεχνιτά νευρωνικά δίκτυα; Αποδοτικότητα; Ιδιωτικότητα; Κατηγοριοποίηση εικόνων και βίντεο
Χώρα
Η.Π.Α.
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.