人工智能之MIT提出不降速的云AI
前言:据外媒报道,美国MIT提出一种可以保护基于云的AI,且不会降低它的速度。之前,加密数据会使机器学习系统变得如此之慢以至于几乎无法使用, MIT提出云AI的解决方案,使得性能比传统方法提高了30倍,并且有望将所需的网络带宽缩小“一个数量级”。这将导致更多地使用基于互联网的神经网络来处理重要信息。
据外媒报道,美国MIT(麻省理工学院)提出一种可以保护基于云的AI系统,可以在不降低速度的情况下保护云计算的AI人工智能。这种基于云的AI人工智能系统的安全性非常重要,特别是当人们使用像照片或医疗记录这样的敏感数据时。
迄今为止,使用传统方法,使得加密数据可以使机器学习系统如此缓慢,以致于几乎无法使用。
然而,值得庆幸的是,美国MIT提出一种GAZELLE形式的解决方案,这项技术使用加密卷积神经网络且不会出现急剧减速。更关键的是将两种现有技术融为一体,避免了这些方法产生的常见瓶颈。
首先,用户依靠“乱码电路”方法将数据上传到AI,该方法采用输入并向会话的每一方发送两个不同的输入,为用户和神经网络隐藏数据,同时使相关输出可访问。然而,如果该方法被用于整个系统,则通常过于密集,因此MIT在发送给用户之前,使用更高要求的计算层的同态加密(它既取又产加密数据)。同态方法须引入噪声才能工作,因此它只限于在传输信息之前一次压缩一层。简而言之:MIT正在根据每一方做得最好的方式分担工作量。
测试结果表明,其方法性能比传统方法快了30倍,MIT承诺按照他们的要求将所需的网络带宽缩减一个数量级。传统方法迫使公司和机构要么建立昂贵的本地神经网络,要么完全忽略基于AI人工智能的系统。而MIT提出的云AI方法将会导致更多使用基于互联网的神经网络来处理重要信息。例如,医院可以让AI发现MRI扫描中的医学问题,并与其他医院专家或医生共享,而不暴露患者数据和隐私。敏感数据即保持安全性,又保持时效性。
------以往文章推荐-----
机器学习
深度学习
人工神经网络
决策树
随机森林
强化学习
迁移学习
遗传算法
朴素贝叶斯
支持向量机
蒙特卡罗方法
马尔科夫模型
Hopfield神经网络
回归模型
K邻近算法
卷积神经网络
受限玻尔兹曼机
循环神经网络
长短时记忆神经网络
Adaboost算法
ID3算法
C4.5算法
CART算法
K-Means算法
Apriori算法
PCA算法
ICA算法
TD-Learning算法
Q-Learning算法
SOM算法
GBM算法
GBDT算法
EM算法
SVD算法
Autoencoder算法
DBN算法
GAN算法
多层感知器
BP算法
DRL算法
AlphaGo浅析(1)~(5)
霍夫曼优化框架
粒子群算法
ResNet模型
DenseNet模型
Xgboost算法