Search academic texts

Information × Registration Number 2121U007994, Article popup.category Бакалаврська робота Title Система генерації синтетичних вибірок з висококонфіденційних баз даних методами глибинного навчання (AI translated) popup.author Островський Захар ЮрійовичOstrovskyi Zakhar Yuriiovych popup.publication 01-06-2021 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/45226 popup.publisher Київ Description Дипломна робота: 84 с., 6 табл., 31 рис., 1 додаток, 20 джерел. Об’єкт дослідження: система генерації синтетичних вибірок на основі GAN (генеративних нейронних мереж), що відтворює конфіденційні дані учасників процесу Федеративного навчання. Мета дослідження: розробити та протестувати систему тренування моделей глибинного навчання з використанням Федеративного Навчання та перевірити її стійкість до атаки на основі GAN. Використані моделі: у програмній реалізації було використано штучні згорткові та генеративні нейронні мережі. Отриманні результати: побудована система федеративного навчання і проведено її тестування атакою на основі генеративних нейронних мереж В рамках подальшого дослідження пропонується розробити модифікації алгоритмів для підвищення якості і стабільності навчання моделей федеративним методом, модифікувати архітектуру генеративної моделі для підвищення стабільності і потужності атаки, повторити експеримент на покращених моделях. Thesis: 84 p., 6 tabl., 31 fig., 1 appendix, 20 sources. Object of study: a system of generating synthetic samples based on GAN (generative neural networks), which reproduces the confidential data of participants in the process of Federated Learning. Purpose: develop and test a system of training models of deep learning using Federated Learning and test its resistance to attack based on GAN. Used models: artificial convolution and generative neural networks were used in the program implementation. Results: a federated learning system was built and tested by an attack based on generative neural networks. As part of further research, it is proposed to develop modifications of algorithms to improve the quality and stability of model training by the federated method, to modify the architecture of generative models to increase the stability and power of attack, to repeat the experiment on improved models. popup.nrat_date 2025-11-05 Close