Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Je vais construire un expert en unlearning fédéré personnalisé et en machine unlearning
Usman Khan
À propos de ce service
Traduction automatique
Je vais mettre en œuvre DynFRU un système personnalisé de Certified Federated Machine Unlearning qui supprime en toute sécurité les données d’un client du modèle global tout en conservant (ou même en améliorant) la précision.
En utilisant un contrôleur dynamique adaptatif avec Gradient Ascent, Adaptive Scrub et Fisher-scaled Noise, je fournis un unlearning à utilité positive avec une forte résistance aux portes dérobées et des garanties de suppression certifiées.
Idéal pour les chercheurs et les équipes ayant besoin de solutions de federated learning conformes à la vie privée.
Découvrez Usman Khan
Usman Khan
Usman Khan
- DePakistan
- Membre depuisaoût 2020
- Temps de réponse moy.1 heure
Langues
Ourdou, Pachto, Anglais
I am an AI Research & Development Specialist dedicated to building high-performance, privacy-first AI. My expertise spans the full spectrum of Machine Learning and Deep Learning, from custom neural networks to scalable predictive models. I specialize in Federated Learning (FL) for decentralized data and the cutting-edge field of Federated Unlearning (FU), implementing advanced frameworks to ensure data privacy and regulatory compliance. Whether you need a robust MVP or the implementation of complex research, I provide optimized, documented code to turn your data into intelligence.
Traduction automatique
FAQ
Traduction automatique
Qu'est-ce que l'unlearning fédéré ?
L'unlearning fédéré est le processus de suppression de l'influence des données d’un client spécifique d’un modèle fédéré entraîné sans avoir à réentraîner tout le système à partir de zéro. Cela permet de respecter des lois sur la vie privée comme le « droit à l'oubli ».
Qu'est-ce que DynFRU et pourquoi est-ce meilleur ?
DynFRU est mon cadre personnalisé pour l'unlearning fédéré certifié contrôlé par le risque de Fisher dynamique. Il utilise un contrôleur neural intelligent qui équilibre de manière adaptative Gradient Ascent, Adaptive Scrub et Fisher-scaled Noise. Cela aboutit à un utilité proche de zéro ou positive (la précision reste souvent la même).
Supportez-vous les attaques par poisoning de porte dérobée ?
Oui. Je me spécialise dans l'unlearning en cas d'attaques par poisoning de porte dérobée. Je peux tester et montrer des résultats pour les clients normaux et le client malveillant.
La précision du modèle baisse-t-elle après l'unlearning ?
Dans la plupart des cas, la baisse de précision est très faible (moins de 0,3 %). Lors de plusieurs expériences, j'ai obtenu des résultats à utilité positive où la précision a même augmenté après l'unlearning.
Avec quels types de modèles travaillez-vous ?
J'utilise principalement un ensemble profond hétérogène. Je peux adapter la solution à d'autres modèles ou à votre architecture personnalisée si nécessaire.
Fournissez-vous le code complet et des explications ?
Oui. Vous recevrez un code Python propre, bien documenté, avec tout le pipeline d'entraînement et d'unlearning, des métriques d’évaluation, des visualisations et des explications détaillées.
Pouvez-vous personnaliser la solution pour mon jeu de données ?
Absolument. Je peux ajuster le nombre de clients, le niveau de poisoning, la force de l'unlearning et d'autres paramètres selon vos besoins spécifiques.
Quelles métriques fournissez-vous ?
Je fournis : précision globale, AUC MIA, qualité de suppression, ASR porte dérobée, AUS, efficacité de suppression dynamique (DFE) et limite de suppression certifiée (ε).
Combien de temps faut-il pour terminer le service?
La plupart des implémentations standard prennent entre 3 et 7 jours, selon la complexité et les exigences spécifiques. Je vous donnerai un calendrier clair après avoir discuté de vos besoins.
Proposez-vous des révisions ?
Oui, je propose des révisions illimitées jusqu'à ce que vous soyez entièrement satisfait du résultat.
