دانلود مقاله انگلیسی رایگان:حفظ حریم خصوصی دیفرانسیل حفظ مدل آموزش در داده های بزرگ بی سیم با محاسبات لبه - 2018
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Differential Privacy Preserving of Training Model in Wireless Big Data with Edge Computing Differential Privacy Preserving of Training Model in Wireless Big Data with Edge Computing
    Differential Privacy Preserving of Training Model in Wireless Big Data with Edge Computing

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Differential Privacy Preserving of Training Model in Wireless Big Data with Edge Computing


    ترجمه فارسی عنوان مقاله:

    حفظ حریم خصوصی دیفرانسیل حفظ مدل آموزش در داده های بزرگ بی سیم با محاسبات لبه


    منبع:

    IEEE - Citation information: DOI 10:1109/TBDATA:2018:2829886, IEEE Transactions on Big Data


    نویسنده:

    Miao Du, Kun Wang,Zhuoqun Xia, and Yan Zhang


    چکیده انگلیسی:

    With the popularity of smart devices and the widespread use of machine learning methods, smart edges have become the mainstream of dealing with wireless big data. When smart edges use machine learning models to analyze wireless big data, nevertheless, some models may unintentionally store a small portion of the training data with sensitive records. Thus, intruders can expose sensitive information by careful analysis of this model. To solve this privacy issue, in this paper, we propose and implement a machine learning strategy for smart edges using differential privacy. We focus our attention on privacy protection in training datasets in wireless big data scenario. Moreover, we guarantee privacy protection by adding Laplace mechanisms, and design two different algorithms Output Perturbation (OPP) and Objective Perturbation (OJP), which satisfy differential privacy. In addition, we consider the privacy preserving issues presented in the existing literatures for differential privacy in the correlated datasets, and further provided differential privacy preserving methods for correlated datasets, guaranteeing privacy by theoretical deduction. Finally, we implement the experiments on the TensorFlow, and evaluate our strategy on four datasets, i.e., MNIST, SVHN, CIFAR-10 and STL-10. The experiment results show that our methods can efficiently protect the privacy of training datasets and guarantee the accuracy on benchmark datasets.
    Index Terms: Wireless Big Data, Smart Edges, Differential Privacy, Training Data Privacy, Machine Learning, Correlated Datasets, Laplacian Mechanism, TensorFlow


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 13
    حجم فایل: 1048 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی