Die Bereitstellung von maschinellen Lernmodellen auf Edge-Geräten wirft erhebliche Datenschutzbedenken auf, da sensible Benutzerdaten lokal verarbeitet werden. Dieser Artikel untersucht einen Ansatz der differentiellen Privatsphäre, bei dem Laplacesches Rauschen in die Ausgabeschicht des Modells injiziert wird, bevor Vorhersagen zurückgegeben werden. Der Autor liefert eine rigorose Analyse des Genauigkeits-Privatsphäre-Kompromisses und zeigt, wie verschiedene Rauschskalen (Epsilon-Werte) sowohl das Datenschutzbudget als auch die Vorhersageleistung des Modells beeinflussen. Zu den wichtigsten Ergebnissen gehört die Identifizierung optimaler Rauschpegel, die eine akzeptable Genauigkeit bei gleichzeitig starken Datenschutzgarantien aufrechterhalten. Das Design ist besonders relevant für Anwendungen wie Gesundheitsüberwachung, persönliche Assistenten und Finanztools, die auf Smartphones oder IoT-Geräten laufen. Die Analyse deckt auch praktische Implementierungsaspekte ab, wie die Rauschkalibrierung für verschiedene Modellarchitekturen und die Auswirkungen auf die Latenz. Diese Arbeit bietet eine wertvolle Referenz für Ingenieure, die datenschutzschützende Edge-AI-Systeme entwickeln.
Eine detaillierte Analyse der differentiellen Privatsphäre für die Inferenz auf dem Gerät unter Verwendung von Laplaceschem Rauschen, mit Quantifizierung des Genauigkeits-Privatsphäre-Kompromisses für Edge-AI-Bereitstellungen.