Le déploiement de modèles d'apprentissage automatique sur des appareils en périphérie soulève d'importants problèmes de confidentialité, car les données sensibles des utilisateurs sont traitées localement. Cet article explore une approche de confidentialité différentielle où du bruit laplacien est injecté dans la couche de sortie du modèle avant de renvoyer les prédictions. L'auteur fournit une analyse rigoureuse du compromis précision-confidentialité, montrant comment différentes échelles de bruit (valeurs epsilon) impactent à la fois le budget de confidentialité et la performance prédictive du modèle. Les principales conclusions incluent l'identification de niveaux de bruit optimaux qui maintiennent une précision acceptable tout en offrant de fortes garanties de confidentialité. La conception est particulièrement pertinente pour des applications comme la surveillance de la santé, les assistants personnels et les outils financiers fonctionnant sur des smartphones ou des appareils IoT. L'analyse couvre également des considérations pratiques de mise en œuvre, telles que le calibrage du bruit pour différentes architectures de modèles et l'impact sur la latence. Ce travail constitue une référence précieuse pour les ingénieurs construisant des systèmes d'IA en périphérie préservant la confidentialité.
Une analyse détaillée de la confidentialité différentielle pour l'inférence sur appareil utilisant le bruit laplacien, quantifiant le compromis précision-confidentialité pour les déploiements d'IA en périphérie.