Sfoglia categorie
Esplora
Fiverr Pro
Italiano
$
USD
Costruirò esperto personalizzato di federated unlearning, machine unlearning
Usman Khan
Informazioni su questo servizio
Traduzione automatica.
Implementerò DynFRU un sistema personalizzato di Certified Federated Machine Unlearning che rimuove in modo sicuro i dati di un cliente dal modello globale, mantenendo (o migliorando) la precisione.
Utilizzando un controller dinamico adattivo con Gradient Ascent, Adaptive Scrub e Fisher-scaled Noise, fornisco unlearning con utilità positiva, resistente alle backdoor e con garanzie di cancellazione certificate.
Perfetto per ricercatori e team che necessitano di soluzioni di federated learning conformi alla privacy.
Scopri di più su Usman Khan
Usman Khan
Usman Khan
- DaPakistan
- Membro daago 2020
- Tempo di risposta medio1 ora
Lingue
Urdu, Pashtu, Inglese
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.
Traduzione automatica.
FAQ
Traduzione automatica.
Cos'è il Federated Unlearning?
Il Federated Unlearning è il processo di rimozione dell'influenza dei dati di un cliente specifico da un modello federato addestrato senza dover riaddestrare tutto da zero. Aiuta a rispettare leggi sulla privacy come il "Right to be Forgotten".
Cos'è DynFRU e perché è migliore?
DynFRU è il mio framework personalizzato per il Certified Federated Unlearning controllato dal rischio Fisher dinamico. Utilizza un controller neurale intelligente che bilancia adattivamente Gradient Ascent, Adaptive Scrub e Fisher-scaled Noise. Questo porta a risultati con utilità quasi zero o positiva, spesso mantenendo la precisione invariata.
Supporti attacchi di poisoning tramite backdoor?
Sì. Sono specializzato in unlearning in scenari di poisoning tramite backdoor. Posso testare e mostrare risultati sia per clienti normali che per clienti malintenzionati.
La precisione del modello calerà dopo l'unlearning?
Nella maggior parte dei casi, la perdita di precisione è molto piccola (meno dello 0,3%). In diversi esperimenti, ho ottenuto risultati con utilità positiva, dove la precisione è aumentata dopo l'unlearning.
Con che tipo di modelli lavori?
Principalmente uso un ensemble profondo eterogeneo. Posso adattare la soluzione ad altri modelli o alla tua architettura personalizzata se necessario.
Fornisci il codice completo e le spiegazioni?
Sì. Riceverai codice Python pulito e ben documentato, l'intera pipeline di training e unlearning, metriche di valutazione, visualizzazioni e spiegazioni dettagliate.
Puoi personalizzare la soluzione per il mio dataset?
Assolutamente. Posso regolare il numero di clienti, il livello di poisoning, la forza dell'unlearning e altri parametri secondo le tue esigenze specifiche.
Quali metriche fornisci?
Consegno: Precisione globale, MIA AUC, qualità della cancellazione, Backdoor ASR, AUS, efficienza di cancellazione dinamica (DFE) e limite di cancellazione certificata (ε).
Quanto tempo ci vuole per completare il servizio?
La maggior parte delle implementazioni standard richiede da 3 a 7 giorni, a seconda della complessità e delle esigenze personalizzate. Ti fornirò una timeline chiara dopo aver discusso le tue necessità.
Offrite revisioni?
Sì, offro revisioni illimitate finché non sei completamente soddisfatto del risultato.
