هوش جمعی،
حریم خصوصی فردی
هوش مصنوعی ما از میلیونها کاربر باهوشتر میشود، بدون آنکه هرگز دادههای شما را ببیند. یادگیری فدرال مزایای دادههای بزرگ را به هوش مصنوعی محترم به حریم خصوصی میآورد.
یادگیری فدرال چگونه کار میکند
مدل بهسراغ دادههای شما میآید، نه برعکس.
آموزش محلی
دستگاه شما مدل هوش مصنوعی را تنها با دادهٔ محلی خودتان آموزش میدهد. دادهٔ خام هرگز دستگاه شما را ترک نمیکند.
محاسبهٔ گرادیان
دستگاه آنچه را مدل آموخته (گرادیانها) محاسبه میکند، بیآنکه دادهٔ زیرین را به اشتراک بگذارد.
حریم خصوصی تفاضلی
به گرادیانها نوفه افزوده میشود تا از نظر ریاضی تضمین شود هیچ دادهٔ فردی قابل استخراج نیست.
تجمیع امن
گرادیانهای رمزنگاریشده با پروتکلهای رمزنگارانه ترکیب میشوند. هیچ طرفی بهروزرسانی خام را نمیبیند.
بهروزرسانی مدل
مدل سراسری بهتر میشود و به همهٔ دستگاهها بازمیگردد. همه سود میبرند، هیچکس فاش نمیشود.
تضمینهای حریم خصوصی
چندین لایه محافظت تضمین میکند دادههای شما خصوصی بماند.
بدون هیچ بارگذاری داده
دادهٔ خام شما — تاریخچهٔ مرور، پیامها، فایلها — هرگز دستگاهتان را ترک نمیکند. همین.
حریم خصوصی تفاضلی
تضمین ریاضی (ε=1.0) بر اینکه مشارکتهای فردی بازمهندسیپذیر نیستند.
تجمیع امن
پروتکلهای رمزنگارانه تضمین میکنند هیچ نهاد واحدی به بهروزرسانیهای فردی مدل دسترسی ندارد.
حریم خصوصی راستیآزماییپذیر
پیادهسازی ما متنباز است و پژوهشگران مستقل ممیزیاش کردهاند.
ما چگونه از یادگیری فدرال استفاده میکنیم
شناسایی تهدید
مدل میآموزد الگوهای تازهٔ بدافزار را از میان میلیونها دستگاه بازشناسد، بیآنکه هیچ دستگاهی فاش کند با چه تهدیدی روبهرو شده است.
بازشناسی فیشینگ
با تجمیع الگوها میآموزد ایمیلها و وبسایتهای فیشینگ را بازشناسد، بیآنکه پیامهای هیچ فردی را ببیند.
بهینهسازی شبکه
مسیریابی اتصال و گزینش سرور را بر پایهٔ تجربهٔ جمعی بهتر میکند، بیآنکه مصرف فردی را ردیابی کند.
تحلیل حریم خصوصی
در بازشناسی شگردهای ردیابی و اثرانگشتگیری بهتر میشود، بیآنکه تاریخچهٔ مرور شما را ثبت کند.
یادگیری فدرال در برابر یادگیری متمرکز
| جنبه | متمرکز | فدرال |
|---|---|---|
| محل داده | روی سرورها بارگذاری میشود | روی دستگاه میماند |
| ریسک حریم خصوصی | نشت داده ممکن است | دادهای برای نشت وجود ندارد |
| انطباق مقرراتی | پیچیده | سازگار با GDPR از پایه |
| مصرف پهنای باند | زیاد (داده خام) | کم (فقط گرادیانها) |
| شخصیسازی | نمایههای سمت سرور | سازگاری روی دستگاه |
پیادهسازی فنی
| چارچوب | TensorFlow Federated + افزونههای سفارشی |
| بودجه حریم خصوصی | ε = ۱٫۰ (حریم خصوصی تفاضلی رنی) |
| پروتکل تجمیع | تجمیع امن با تسهیم راز |
| ارتباطات | گرادیانهای فشرده، کاهش ۱۰ تا ۱۰۰ برابری |
| معماری مدل | مبتنی بر ترنسفورمر، ۷ میلیارد پارامتر (کوانتیده) |
| دورهای آموزش | تجمیع روزانه، بهروزرسانی محلی ساعتی |
پرسشهای متداول
اگر کسی بهروزرسانیهای مدل را شنود کند چه میشود؟+
آیا سرور مرکزی میتواند چیزی دربارهٔ من بیاموزد؟+
یادگیری فدرال چقدر پهنای باند مصرف میکند؟+
آیا این دستگاهم را کُند میکند؟+
هوش مصنوعی با اولویت حریم خصوصی
هوش مصنوعیای را تجربه کنید که بدون نظارت بر شما یاد میگیرد. OrbVPN را بههمراه Hylon دانلود کنید.
دانلود OrbVPN