Explorar las categorías
Explora
Fiverr Pro
Español
$
USD
Construiré experto en unlearning federado personalizado y en machine unlearning
Usman Khan
Acerca de este Servicio
Traducción automática
Implementaré DynFRU un sistema personalizado de Certified Federated Machine Unlearning que elimina de forma segura los datos de un cliente del modelo global, manteniendo (o incluso mejorando) la precisión.
Utilizando un controlador dinámico adaptativo con Gradient Ascent, Adaptive Scrub y Fisher-scaled Noise, entrego unlearning con utilidad positiva, resistencia a puertas traseras y garantías certificadas de olvido.
Perfecto para investigadores y equipos que necesitan soluciones de federated learning que cumplan con la privacidad.
Conoce a Usman Khan
Usman Khan
Usman Khan
- DePakistán
- Miembro desdeago 2020
- Responde aprox. en:1 hora
Idiomas
Urdu, Pashto, Inglés
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.
Traducción automática
FAQ
Traducción automática
¿Qué es el Federated Unlearning?
El Federated Unlearning es el proceso de eliminar la influencia de los datos de un cliente específico de un modelo federado entrenado sin volver a entrenar todo el sistema desde cero. Ayuda a cumplir con leyes de privacidad como el "Derecho al Olvido".
¿Qué es DynFRU y por qué es mejor?
DynFRU es mi marco personalizado para el Certified Federated Unlearning controlado por Fisher-Risk dinámico. Utiliza un controlador neuronal inteligente que equilibra adaptativamente Gradient Ascent, Adaptive Scrub y Fisher-scaled Noise. Esto resulta en una utilidad cercana a cero o positiva (la precisión generalmente se mantiene igual).
¿Apoyas ataques de envenenamiento por puerta trasera?
Sí. Me especializo en el unlearning en escenarios de envenenamiento por puerta trasera. Puedo probar y mostrar resultados tanto para clientes normales como para el cliente malicioso.
¿La precisión del modelo disminuirá después del unlearning?
En la mayoría de los casos, la caída de precisión es muy pequeña (menos del 0.3%). En varios experimentos, logré resultados con utilidad positiva donde la precisión en realidad aumentó después del unlearning.
¿Con qué tipo de modelos trabajas?
Principalmente uso un ensamblaje profundo heterogéneo. Puedo adaptar la solución a otros modelos o a tu arquitectura personalizada si es necesario.
¿Proporcionas el código completo y explicaciones?
Sí. Recibirás código Python limpio y bien documentado, toda la pipeline de entrenamiento y unlearning, métricas de evaluación, visualizaciones y explicaciones detalladas.
¿Puedes personalizar la solución para mi conjunto de datos?
Por supuesto. Puedo ajustar el número de clientes, nivel de envenenamiento, fuerza del unlearning y otros parámetros según tus requisitos específicos.
¿Qué métricas proporcionas?
Entrego: precisión global, MIA AUC, calidad de olvido, ASR de puerta trasera, AUS, eficiencia de olvido dinámico (DFE) y límite de olvido certificado (ε).
¿Cuánto tiempo se tarda en completar el servicio?
La mayoría de las implementaciones estándar toman entre 3 y 7 días, dependiendo de la complejidad y requisitos personalizados. Te daré un cronograma claro después de discutir tus necesidades.
¿Ofrecen revisiones?
Sí, ofrezco revisiones ilimitadas hasta que estés completamente satisfecho con los resultados.
