Разработана новая сверхлегкая модель искусственного интеллекта (ИИ), которая позволяет создавать высококачественные изображения, не отправляя личные данные на серверы. Это открывает возможности для безопасного использования мощного генеративного ИИ в областях, где важна конфиденциальность, например, при анализе медицинских снимков МРТ и КТ.
Исследовательская группа из UNIST под руководством профессора Ю Джэджуна разработала PRISM (PRivacy-preserving Improved Stochastic Masking) — модель ИИ для федеративного обучения. Федеративное обучение позволяет создавать глобальный ИИ, объединяя результаты обучения локальных ИИ на устройствах пользователей без прямой загрузки личной информации на сервер.
PRISM выступает посредником между локальными и глобальным ИИ в процессе федеративного обучения. Эта модель снижает затраты на связь в среднем на 38% по сравнению с существующими моделями, а ее размер уменьшен до 1 бита, что позволяет ей эффективно работать на процессорах и памяти небольших устройств, таких как смартфоны и планшеты.
Кроме того, PRISM точно определяет, информации какого локального ИИ можно доверять и включать в процесс обучения, даже при значительных различиях в данных и производительности между разными локальными ИИ. Это обеспечивает высокое качество генерируемых изображений. Например, при преобразовании селфи в стиле студии Ghibli, предыдущие методы требовали загрузки фотографии на сервер, что вызывало опасения по поводу конфиденциальности. С PRISM вся обработка происходит на смартфоне, обеспечивая защиту личных данных и быстрый результат.
Эксперименты на общепринятых наборах данных показали, что PRISM не только снижает объем передаваемых данных, но и генерирует изображения более высокого качества по сравнению с традиционными методами. Разработанный подход может быть применен не только к генерации изображений, но и к генерации текста, моделированию данных и автоматическому документированию.
arXiv