El despliegue de modelos de aprendizaje automático en dispositivos de borde plantea importantes preocupaciones de privacidad, ya que los datos sensibles del usuario se procesan localmente. Este artículo explora un enfoque de privacidad diferencial donde se inyecta ruido laplaciano en la capa de salida del modelo antes de devolver las predicciones. El autor proporciona un análisis riguroso del equilibrio precisión-privacidad, mostrando cómo diferentes escalas de ruido (valores épsilon) impactan tanto el presupuesto de privacidad como el rendimiento predictivo del modelo. Los hallazgos clave incluyen la identificación de niveles óptimos de ruido que mantienen una precisión aceptable mientras proporcionan fuertes garantías de privacidad. El diseño es particularmente relevante para aplicaciones como monitoreo de salud, asistentes personales y herramientas financieras que se ejecutan en teléfonos inteligentes o dispositivos IoT. El análisis también cubre consideraciones prácticas de implementación, como la calibración del ruido para diferentes arquitecturas de modelos y el impacto en la latencia. Este trabajo proporciona una referencia valiosa para ingenieros que construyen sistemas de IA en el borde que preservan la privacidad.
Un análisis detallado de privacidad diferencial para inferencia en el dispositivo usando ruido laplaciano, cuantificando el equilibrio precisión-privacidad para despliegues de IA en el borde.