RL-DistPrivacy: 低延迟 IoT 系统隐私感知分布式深度推理

Aug, 2022

RL-DistPrivacy: 低延迟 IoT 系统隐私感知分布式深度推理

RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems

Emna Baccour, Aiman Erbad, Amr Mohamed, Mounir Hamdi, Mohsen Guizani

TL;DR本论文通过重新考虑分发策略，并利用增强学习设计来支持异构设备和多个 DNN / 数据集，实现协同深度推理的安全性，以平衡联合推理的延迟和数据隐私级别之间的权衡。

Abstract

Although deep neural networks (DNN) have become the backbone technology of several ubiquitous applications, their deployment in resource-constrained machines, e.g., internet of things (IoT) devices, is still chal

deep neural networks collaborative deep inference internet of things privacy-preserving reinforcement learning

发现论文，激发创造

深度学习中的本地差分隐私

该研究提出了一种名为 LATENT 的本地差分隐私算法，该算法通过将卷积神经网络架构分为卷积模块、随机化模块和全连接模块，并使用新的差分隐私协议实现随机化模块作为网络功能虚拟化隐私保护服务，在边缘 - 云协同中使得保护隐私的深度学习在物联网环境下更加实用。

Aug, 2019

工业物联网中基于深度强化学习的协作 DNN 推断保证准确性

本文研究了工业物联网网络中协作深度神经网络推理问题，提出了一种基于深度强化学习的算法，将动态配置物联网设备的采样率、推理任务卸载和边缘计算资源分配共同考虑，通过转化为马尔可夫决策过程来最小化服务延迟并保证准确性。

Dec, 2022

分布式深度卷积神经网络用于物联网

本文提出了一种设计方法，旨在分配在分布式 IoT 应用程序中卷积神经网络（CNNs）的执行。该方法在满足单元级内存和处理负载的约束条件下最小化数据采集阶段和随后的决策阶段之间的延迟。该方法支持多个数据源和多个 CNN 的执行，从而可以设计基于 CNN 的应用程序，要求具有自治性、低决策延迟和高服务质量。

Aug, 2019

一个混合深度学习架构用于隐私保护移动分析

本篇论文提出了一种用于合作、隐私保护分析的深度神经网络混合方法，使用边缘处理的思想，在保持效益的同时，有效减少了不必要、潜在敏感信息的级别。利用 Siamese 微调技术，可以确保用户设备只带有主任务所需的必要信息，并防止数据的二次推断。

Mar, 2017

隐私保护的融合增强型深度神经网络边缘云融合框架

本文提出了一种通过差分隐私保护技术，结合深度神经网络、迁移学习和集成学习，实现在医疗保健领域下针对物联网、边缘计算和云计算融合的框架。该框架可用于在边缘服务器上进行本地模型训练以提高模型精度，并通过集成多个本地模型生成高精度的最终模型，同时保护敏感的私人数据。

May, 2023

深度学习中的隐私：综述

本文综述了深度学习中面临的隐私问题，以及已经提出的解决这些问题的技术，并提出了未来研究方向。

Apr, 2020

适应性 ResNet 架构用于资源受限的物联网系统中的分布式推理

本文通过实证研究，鉴定了 ResNet 中可舍弃的连接，以实现在资源不足情况下的分布式计算；同时，提出了一个多目标优化问题，旨在减少延迟、提高准确性；实验证明了自适应的 ResNet 架构可以在分布过程中减少共享数据、能耗和延迟，同时保持高准确性。

Jul, 2023

隐私分区：在深度学习推理阶段保护用户数据

提出了一种名为 “Privacy Partitioning” 的方法，通过将机器学习模型拆分并部署到本地设备和远程服务器中，保护用户数据，防止对状态最先进的深度网络的中间状态进行攻击并推断出隐私敏感的输入。（该方法）能够在不影响分类准确性的情况下有效削弱攻击者获得隐私敏感信息的能力。

Dec, 2018

神经网络潜在表征中的对抗性机器学习

通过信息论的背景将此问题转化为信息失真和鲁棒性的两个新度量，我们对分布式深度神经网络（DNNs）对抗行为的鲁棒性进行了严格分析，并通过考虑 6 种不同的 DNN 架构、6 种不同的分布式 DNN 方法和对 ImageNet-1K 数据集进行 10 种不同的对抗攻击的广泛实验分析来验证我们的理论发现。实验结果支持我们的理论发现，显示出压缩的隐含表示可以在最佳情况下将对抗性攻击的成功率降低 88％，平均降低 57％，与对输入空间的攻击相比。

Sep, 2023

基于深度置信网络的联邦入侵检测系统

研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题，并且实验结果表明，在使用预先训练的初始全局模型的情况下，相比随机初始化的全局模型，模型性能提高了 20% 以上（F1 得分）

Jun, 2023