貴方の敵を Foめる:IoMTデータに対するモデル反転攻撃に対する防御のための近位勾配分割学習【JST・京大機械翻訳】

Khowaja Sunder Ali; Lee Ik Hyun; Dev Kapal; Jarwar Muhammad Aslam; Qureshi Nawab Muhammad Faseeh

プレプリント

J-GLOBAL ID：202202221238997969 整理番号：22P0026806

貴方の敵を Foめる:IoMTデータに対するモデル反転攻撃に対する防御のための近位勾配分割学習【JST・京大機械翻訳】

Get your Foes Fooled: Proximal Gradient Split Learning for Defense against Model Inversion Attacks on IoMT data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月12日プレプリントサーバーでの情報更新日： 2022年08月09日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

過去10年間は,人工知能(AI),特に深層学習ネットワーク(IoMT)生態系のインターネットにおける急速な採用を見た。しかし,最近,深層学習ネットワークが,IoMTをデータftに脆弱にするだけでなく,医療診断の操作にも,敵対的攻撃によって活用できることが示されている。既存の研究は,生IoMTデータまたはモデルパラメータにノイズを加え,医学推論に関する全体的性能を低下させるだけでなく,勾配法からの深い漏洩の様子にも効果がない。本研究では,モデル反転攻撃に対する防御のための近位勾配分割学習(PSGL)法を提案した。提案方法は,クライアント側で深いニューラルネットワーク訓練過程を受けるとき,IoMTデータを意図的に攻撃する。認識性能を改善するために,勾配マップと決定レベル融合戦略を回復するために,近位勾配法の使用を提案した。大規模な解析は,PGSLがモデル反転攻撃に対して効果的な防御機構を提供するだけでなく,公的に利用可能なデータセットの認識性能の改善にも役立つことを示した。再構成および敵対攻撃画像に対する精度において,それぞれ14.0%,17.9%および36.9%の利得を報告した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 計算機網

, , , , , ,

前のページに戻る