隐私保护的融合增强型深度神经网络边缘云融合框架

May, 2023

隐私保护的融合增强型深度神经网络边缘云融合框架

Privacy-Preserving Ensemble Infused Enhanced Deep Neural Network Framework for Edge Cloud Convergence

Veronika Stephanie, Ibrahim Khalil, Mohammad Saidur Rahman, Mohammed Atiquzzaman

TL;DR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。

Abstract

We propose a privacy-preserving ensemble infused enhanced deep neural network (DNN) based learning framework in this paper for internet-of-things

privacy-preserving deep neural network internet-of-things edge computing ensemble learning

发现论文，激发创造

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

论实现保护隐私的最新边缘智能技术

本文评价了现有的隐私保护 DNN 推理技术的兼容性，并重点强调了秘密共享在边缘计算环境下的适用性。同时，还讨论了模型压缩方法在实现具有最先进性能的 DNN 秘密共享方面的未来角色。

Feb, 2023

RL-DistPrivacy: 低延迟 IoT 系统隐私感知分布式深度推理

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。

Aug, 2022

合作推理中使用模型集合抵御模型倒置攻击

在这篇论文中，我们介绍了一种名为 Ensembler 的可扩展框架，该框架旨在显著增加对抗方进行模型逆推攻击的难度，从而实现对数据隐私的保护，并通过与基本的高斯噪声相结合，有效地保护图像免受重构攻击，其识别水平甚至低于某些严格环境下的人类性能，并显著优于缺乏 Ensembler 框架的基准方法。

Jan, 2024

EdgeConvEns：面向边缘智能的卷积集成学习

此研究提出了一种被称为 EdgeConvEns 的卷积集成学习方法，它在边缘设备上训练异构弱模型，并学习将它们集成起来，从而提高整体的预测性能。通过在边缘设备上独立实现和训练 Field-Programmable Gate Array（FPGA）设备上的模型，并将学习到的数据表示传输到中央服务器，EdgeConvEns 能够在多种训练场景下更少的通信和数据使用的情况下，胜过当前最先进的性能。

Jul, 2023

PrivyNet: 面向隐私保护的深度神经网络训练的灵活框架

该研究提出了一种基于中间表示的 DNN 拆分框架，其中本地神经网络用于生成特征表示，云神经网络则基于提取的中间表示用于目标学习任务的训练，在保护数据隐私的同时优化目标任务的准确性，并提出 PrivyNet 来确定本地神经网络的拓扑结构以优化目标任务的准确性并在保证数据隐私、本地计算和存储方面受到限制。

Sep, 2017

云、边缘和终端设备上的分布式深度神经网络

分布式深度神经网络 (DDNN) 可以在云端、边缘设备和终端中适应深度神经网络的推断，由于其分布式特性，DDNN 增强了 DNN 应用程序的传感器融合、系统容错和数据隐私，通过将 DNN 映射到分布式计算层次结构中的不同组成部分并联合训练这些部分，我们最小化设备通信和资源使用并最大化提取特征的实用性。实验结果表明，DDNN 可以利用传感器的地理多样性来提高物体识别精度并减少通信成本。

Sep, 2017

边缘智能：设备 - 边缘协同，按需深度学习模型协同推理

提出了 Edgent，这是一种协作和按需的 DNN 合作推理框架，其旨在通过在设备和边缘之间自适应地分配 DNN 计算来提高实时 DNN 推理的性能，并通过在适当的中间 DNN 层进行早期退出来加速 DNN 推理。

Jun, 2018

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

医疗数据隐私保护的分布式深度学习

本研究介绍了一种在分布式情况下使用差分隐私训练临床数据神经网络的方法，并在 eICU 协作研究数据库和 The Cancer Genome Atlas 上进行了验证。

Dec, 2018