دانلود رایگان مقالات تیلور و فرانسیسدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات سال 2022دانلود رایگان مقالات مروری کامپیوتردانلود رایگان مقاله ISI حریم خصوصی افتراقی یا تفاضلی (DP) به زبان انگلیسیدانلود رایگان مقاله ISI حریم خصوصی به زبان انگلیسیدانلود رایگان مقاله ISI کلان داده یا بیگ دیتا به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی نرم افزار به زبان انگلیسیدانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیدانلود رایگان مقاله ISI یادگیری عمیق به زبان انگلیسیمقالات Q1 مهندسی کامپیوتر به زبان انگلیسیمقالات مهندسی کامپیوتر با ایمپکت فاکتور بالا به زبان انگلیسیمقاله ISI امنیت اطلاعات به زبان انگلیسی

مقاله انگلیسی رایگان در مورد یادگیری عمیق – حفظ حریم خصوصی افتراقی – تیلور و فرانسیس ۲۰۲۲

 

مشخصات مقاله
ترجمه عنوان مقاله یادگیری عمیق: حفظ حریم خصوصی تفاضلی در عصر داده های بزرگ
عنوان انگلیسی مقاله Deep Learning: Differential Privacy Preservation in the Era of Big Data
نشریه تیلور و فرانسیس – Taylor & Francis
سال انتشار ۲۰۲۲
تعداد صفحات مقاله انگلیسی  ۲۵ صفحه
هزینه  دانلود مقاله انگلیسی رایگان میباشد.
نوع نگارش مقاله مقاله مروری (Review Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) JCR – Master Journal List – Scopus
نوع مقاله
ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۳٫۹۰۶ در سال ۲۰۲۰
شاخص H_index ۶۶ در سال ۲۰۲۲
شاخص SJR ۰٫۸۲۰ در سال ۲۰۲۰
شناسه ISSN ۰۸۸۷-۴۴۱۷
شاخص Quartile (چارک) Q1 در سال ۲۰۲۰
فرضیه ندارد
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط امنیت اطلاعات – مهندسی نرم افزار – هوش مصنوعی
نوع ارائه مقاله
ژورنال
مجله / کنفرانس مجله سیستم های اطلاعات کامپیوتری – Journal of Computer Information Systems
دانشگاه Chandubhai S Patel Institute of Technology, Charotar University of Science and Technology, India
کلمات کلیدی داده های بزرگ – یادگیری عمیق – حفظ حریم خصوصی – مجموعه داده ها – ناشناس سازی – بهینه سازی – داده ها
کلمات کلیدی انگلیسی  Big data – deep learning – privacy preservation – dataset – anonymization – optimization – data
شناسه دیجیتال – doi https://doi.org/10.1080/08874417.2022.2089775
لینک سایت مرجع
https://www.tandfonline.com/doi/full/10.1080/08874417.2022.2089775
کد محصول e17087
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
Introduction
Preliminaries for differential privacy preservation
Differential privacy preservation in deep learning for big dat
Privacy preservation methods for deep learning in big data
Problem formulation
Conclusion
Funding
Data availability statement
References

 

بخشی از متن مقاله:

Abstract

     In recent years, deep learning (DL) has been ubiquitous in several areas, such as text recognition and data analysis, limited by this and increasingly used in security and data protection applications. Thus, the DL method has achieved remarkable big data analysis growth to avoid different attacks. This paper presents different methods for protecting privacy for DL in big data analysis. First, some possible attacks are explained, and then some basic approaches to protecting privacy in big data platforms are explained. In each section, drawbacks of the corresponding attacks are elaborated, and DL-based methods’ effectiveness in privacy preservation has been discussed. Finally, an effective solution for enhancing privacy preservation in DL models is given. The several DL-based privacy preservation methods for big data analysis and their advantages and disadvantages are elaborated. At last, drawbacks of DL based methods are highlighted, and future scope is given to address these issues.

Introduction

     In the era of digital technology, incredible amounts of data are produced by multiple organizations such as social media, banks, end sources and hospitals, etc. Social media generates tons of data every day, leading to huge data.1 Big data refer to the data collected from various sources such as machines, people, and things. The human-derived data can be individuals, text generation, and videos uploaded to the Internet. Machines generate various files, multimedia, and audits, while the data collected by multiple digital sensor devices are called data of things.2,3 Characteristics of big data are expressed by 5 V; large volume, higher velocity, greater variety, high value, and lower veracity. Volume denotes the speed of data collected, while the type of collected data is called diversity.4 Technological advances in healthcare make it easier to collect patient data electronically, which is presented as big data.5 In the modern medical system, patients are treated with multiple medical records. Thus, it is necessary to confirm secure data exchange to facilitate patient treatment in multiple hospitals.6

Conclusion

     The technological advancements used the digital platform for data communication simultaneously, and data privacy is a prime concern. The data associated with several fields must be processed securely with information leakage. For analyzing a large amount of data, the DL methods are adopted. At the same time, several attacks related to these methods damage the data communication, especially in the case of the big data platform. Thus, DL privacy preservation has become an important research area due to the privacy concern of a large amount of private data. If an attacker accesses personal information, it will cause data loss to users. Moreover, the information leakage in DL is happened due to internal and external factors. Thus, an effective approach toward privacy protection schemes greatly influences the enhancement of privacy preservation in DL. Several privacy preservation methods are reviewed in this work and their pros and cons. The methods reviewed in this paper are classified based on anonymization, optimizationbased approaches, and cryptographic methods. Moreover, several possible attacks related to DL were recalled. We can conclude from these papers that DL-based methods are more effective than other classic methods.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا