Oct, 2023

Λ-Split：面向云驱动生成式人工智能的隐私保护分离计算框架

PDF
TL;DR通过引入 Lambda-Split 分割计算框架，我们有效解决了生成式人工智能服务中由计算需求导致的云计算问题，同时加强了数据隐私安全，并且经验证明其与传统加密安全机制相辅相成。
generative artificial intelligencecomputational offloadingdata privacysplit computing frameworksecurity mechanisms
发现论文，激发创造
  • 拆分与去噪：用局部差分隐私保护大型语言模型推理

    通过在客户端进行模型分割和加噪声处理，Split-N-Denoise（SnD）框架有效地优化了大型语言模型（LLMs）的隐私和实用性之间的权衡，为客户提供了本地隐私保护的解决方案。

    Oct, 2023

  • Auto-Split：协同边缘云 AI 的通用框架

    探讨了华为云的 Auto-Split 系统采用的边缘 - 云协作技术，实现了高效的深度学习模型部署和推理，为行业级应用提供新的解决方案。

    Aug, 2021

  • VeriSplit: 通过 IoT 设备安全且实用地进行机器学习推理卸载

    提出了一种名为 VeriSplit 的机器学习推理离线框架，使用掩码技术保护数据隐私和模型机密性，并采用基于承诺的验证协议确保推理结果的完整性。相比于本地计算，该解决方案能够减少推理延迟 28%-83%。

    Jun, 2024

  • 关于分割学习的数据无关模型反演、模型窃取和标签推理攻击

    通过两种新攻击方法，我们表明 Split learning 算法不能保障训练数据和模型参数的安全，因此提供的隐私保护是虚假的。

    Aug, 2021

  • 高效的深度边缘智能动态分割计算

    本研究提出了一种基于动态选择拆分位置的动态拆分计算模型，通过利用现代深度神经网络结构中已有的瓶颈，避免了重新训练和超参数优化，并没有对深度神经网络的最终准确性产生任何负面影响。大量实验证明，动态拆分计算模型在边缘计算环境中可以实现更快的推理。

    May, 2022

  • 面向智能电网负荷预测的隐私保护协作分割学习框架

    基于分割学习的负载预测，利用智能电表数据进行训练，将深度神经网络模型分为两个部分，一部分用于每个电网站点的负载预测，另一部分用于服务提供商，从而解决了数据传输、隐私和安全等问题，并通过实验证明该模型在性能和泛化能力方面超越了集中式训练模型，同时通过差分隐私提高本地数据隐私。

    Mar, 2024

  • 盐加入推理：在移动计算中提升隐私并保持分裂推理的效率

    通过分割推理和 Salted DNNs 方法，满足了边缘计算中保护输入和输出隐私的要求，并在保持了类似标准 DNN 的准确性和效率的同时，为未来研究提供了一个基准。

    Oct, 2023

  • SplitGuard：在分布式学习中检测和缓解训练劫持攻击

    本文提出 SplitGuard 方法来检测分布式深度学习模型中的训练劫持攻击，以保障数据私密性的同时，最大化减少敏感信息恢复的风险。

    Aug, 2021

  • 联邦分裂 GANs

    该论文提出了一个新的方法，通过使用生成对抗网络（GANs）的隐私保护属性来在用户设备上本地训练 ML 模型，并使用分割学习（SL）在设备之间共享计算负载，从而保护数据隐私且具有短训练时间和模型准确性。

    Jul, 2022

  • SplitPlace: 移动边缘环境中大规模神经网络的 AI 增强分裂和放置

    这篇论文提出了一种基于强化学习的 AI 策略 SplitPlace，可以智能决策基于边缘计算的需求，采用分层或语义分割策略，对神经网络进行分割并将其部署在资源受限的移动边缘设备上，实现高效可扩展的计算。实验表明，SplitPlace 可以显著提高平均响应时间、截止日期违规率、推断准确度和总奖励达 46％，69％，3％和 12％。

    May, 2022