# DAPter

**Repository Path**: ctzhou/DAPter

## Basic Information

- **Project Name**: DAPter
- **Description**: DAPter: 防止深度学习推理服务中的用户数据滥用
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-05-14
- **Last Updated**: 2023-05-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# DAPter
防止深度学习推理服务中的用户数据滥用

数据集:
CIFAR-10: 

链接：https://pan.baidu.com/s/1JpB0jyfZ_SMS-A6S5rWhcw  

密码：eTraintv3

模型结果: 

链接：https://pan.baidu.com/s/12bWP7M1R5HjIpqyxOqdwlw

密码：hkba

摘要:

数据滥用问题随着深度学习推理服务（DLIS）的广泛发展而上升。 具体来说，移动用户担心他们的输入数据被标记为秘密训练与他们订阅的 DLIS 无关的新深度学习模型。 与隐私问题不同，这个独特的问题是关于深度学习背景下数据所有者的权利。 然而，在考虑移动场景中的可用性和通用性时，防止数据滥用的要求很高。 在这项工作中，据我们所知，我们提出了第一个称为 DAPter 的数据滥用预防机制。 DAPter 是一个用户端 DLIS 输入转换器，它删除关于目标 DLIS 的不必要信息。 DAPter 转换后的输入数据保持了良好的推理精度，并且难以为新模型训练手动或自动标记。 DAPter 的转换由我们使用新型损失函数训练的轻量级生成模型提供支持以尽量减少输入数据中的可滥用信息。 此外，适应 DAPter 不需要更改现有的 DLIS 后端和模型。 我们在移动设备上对我们的 DAPter 原型进行了全面的实验，证明 DAPter 可以显着提高数据滥用难度，而对服务质量和开销的影响很小。

DAPter:

![image](https://user-images.githubusercontent.com/35444743/180724855-5fa5507a-54d9-41cb-8cf6-5b54a6a0207f.png)

![image](https://user-images.githubusercontent.com/35444743/180724973-f9b2e08b-e840-40fb-bb42-ec66d55a6cec.png)


模型结构：

![image](https://user-images.githubusercontent.com/35444743/180725016-e79954fb-536f-4d1a-afd2-dc775ad77d0f.png)

复现

![image](https://user-images.githubusercontent.com/35444743/180725225-9c852f98-9e61-43ca-b5a4-043c62f0ec3f.png)

![image](https://user-images.githubusercontent.com/35444743/180725263-217500d1-48a2-4ad8-91c3-d4c19bc6e211.png)

![image](https://user-images.githubusercontent.com/35444743/180725289-b51cce92-e815-4839-a2fd-517310f7d42a.png)

![image](https://user-images.githubusercontent.com/35444743/180725313-f899866d-1402-4fa6-b6f3-a288f59c78cc.png)

DAPter by SJTU