یکی از چالشهای بزرگ در دنیای هوش مصنوعی، استفاده از دادههای گرافی بدون لو رفتن اطلاعات حساس است. معمولاً برای حفظ حریم خصوصی به دادهها نویز اضافه میشود، اما این کار دقت مدل را بهشدت کاهش میدهد.
محققان بهتازگی فریمورک جدیدی به نام EdgeRefine معرفی کردهاند که با استفاده از تکنیک «Jaccard Sampling» و تنظیم دقیق نسبت نویز، تعادل هوشمندانهای بین حفظ حریم خصوصی (Privacy) و دقت مدل (Utility) برقرار میکند. آزمایشها نشان میدهد که این روش، عملکرد بسیار بهتری نسبت به متدهای فعلی داشته و میتواند دقت مدلهای گرافی را در شرایط سخت حفظ کند. این یک گام مهم برای استفاده ایمنتر از هوش مصنوعی در حوزههای حساس است!
های_عصبی
منبع: arXiv Machine Learning
