Kategorien durchsuchen
Entdecken
Fiverr Pro
Deutsch
$
USD
Ich baue individuellen federated unlearning, maschinelles unlearning Experten auf
Usman Khan
Über diesen Service
Automatische Übersetzung
Ich implementiere DynFRU ein maßgeschneidertes zertifiziertes federated machine unlearning-System, das die Daten eines Kunden sicher aus dem globalen Modell entfernt, während die Genauigkeit erhalten bleibt (oder sogar verbessert wird).
Mit einem adaptiven dynamischen Controller, Gradient Ascent, Adaptive Scrub und Fisher-scaled Noise liefere ich nutzungspositives Unlearning mit starker Backdoor-Resistenz und zertifizierten Vergessensgarantien.
Perfekt für Forscher und Teams, die datenschutzkonforme federated learning-Lösungen benötigen.
Lerne Usman Khan kennen
Usman Khan
Usman Khan
- AusPakistan
- Mitglied seitAug. 2020
- ⌀ Antwortzeit1 Stunde
Sprachen
Urdu, Paschtunische Sprache, Englisch
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.
Automatische Übersetzung
FAQ
Automatische Übersetzung
Was ist Federated Unlearning?
Federated Unlearning ist der Prozess, den Einfluss der Daten eines bestimmten Kunden aus einem trainierten federated Modell zu entfernen, ohne das gesamte System neu zu trainieren. Es hilft, Datenschutzgesetze wie das "Recht auf Vergessen" einzuhalten.
Was ist DynFRU und warum ist es besser?
DynFRU ist mein maßgeschneidertes Framework für Dynamic Fisher-Risk Controlled Certified Federated Unlearning. Es nutzt einen intelligenten neuronalen Controller, der adaptiv Gradient Ascent, Adaptive Scrub und Fisher-scaled Noise ausbalanciert. Das führt zu nahezu null oder positiver Nutzbarkeit (die Genauigkeit bleibt oft gleich).
Unterstützt du Backdoor-Poisoning-Angriffe?
Ja. Ich spezialisiere mich auf Unlearning bei Backdoor-Poisoning-Szenarien. Ich kann Tests durchführen und Ergebnisse sowohl für normale Kunden als auch für bösartige Kunden zeigen.
Sinkt die Modellgenauigkeit nach dem Unlearning?
In den meisten Fällen ist der Genauigkeitsverlust sehr gering (weniger als 0,3 %). Bei mehreren Experimenten habe ich nutzungspositive Ergebnisse erzielt, bei denen die Genauigkeit nach dem Unlearning sogar gestiegen ist.
Mit welchen Modellen arbeitest du?
Ich verwende hauptsächlich ein heterogenes Deep Ensemble. Ich kann die Lösung bei Bedarf an andere Modelle oder deine eigene Architektur anpassen.
Stellst du den vollständigen Code und Erklärungen bereit?
Ja. Du erhältst sauberen, gut dokumentierten Python-Code, den vollständigen Trainings- und Unlearning-Prozess, Evaluationsmetriken, Visualisierungen und detaillierte Erklärungen.
Kannst du die Lösung für meinen Datensatz anpassen?
Absolut. Ich kann die Anzahl der Clients, den Poisoning-Level, die Unlearning-Stärke und andere Parameter entsprechend deinen spezifischen Anforderungen anpassen.
Welche Kennzahlen stellen Sie bereit?
Ich liefere: globale Genauigkeit, MIA AUC, Vergessensqualität, Backdoor ASR, AUS, dynamische Vergessenseffizienz (DFE) und zertifizierte Vergessensgrenze (ε).
Wie lange dauert es, bis der Gig abgeschlossen ist?
Die meisten Standardimplementierungen dauern je nach Komplexität und individuellen Anforderungen 3–7 Tage. Nach Absprache deiner Bedürfnisse gebe ich dir einen klaren Zeitplan.
Bieten Sie Revisionen an?
Ja, ich biete unbegrenzte Überarbeitungen, bis du mit den Ergebnissen vollständig zufrieden bist.
