Door categorieën bladeren
Ontdekken
Fiverr Pro
Nederlands
$
USD
Ik bouw op maat gemaakte federated unlearning, machine unlearning expert
Usman Khan
Over deze dienst
Automatische vertaling
Ik implementeer DynFRU een op maat gemaakt Certified Federated Machine Unlearning systeem dat op een veilige manier de data van een klant uit het globale model verwijdert, terwijl de nauwkeurigheid behouden (of zelfs verbeteren) blijft.
Met een adaptieve dynamische controller met Gradient Ascent, Adaptive Scrub en Fisher-scaled Noise lever ik utility-positieve unlearning met sterke backdoor weerstand en gecertificeerde vergeet garanties.
Perfect voor onderzoekers en teams die privacy-conforme federated learning oplossingen nodig hebben.
Maak kennis met Usman Khan
Usman Khan
Usman Khan
- Afkomstig uitPakistan
- Lid sindsaug 2020
- Gem. reactietijd1 uur
Talen
Urdu, Pasjtoe, Engels
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 vertaling
Veelgestelde vragen
Automatische vertaling
Wat is Federated Unlearning?
Federated Unlearning is het proces waarbij de invloed van de data van een specifieke klant uit een getraind federated model wordt verwijderd zonder het hele systeem vanaf nul opnieuw te trainen. Het helpt te voldoen aan privacywetten zoals het "Right to be Forgotten."
Wat is DynFRU en waarom is het beter?
DynFRU is mijn op maat gemaakte framework voor Dynamic Fisher-Risk Controlled Certified Federated Unlearning. Het gebruikt een intelligente neurale controller die adaptief Gradient Ascent, Adaptive Scrub en Fisher-scaled Noise balanceert. Dit resulteert in bijna nul of positieve utility (de nauwkeurigheid blijft vaak hetzelfde).
Ondersteun je backdoor poisoning aanvallen?
Ja. Ik ben gespecialiseerd in unlearning onder scenarios van backdoor poisoning. Ik kan testen en resultaten tonen voor zowel normale clients als de kwaadaardige client.
Daalt de modelnauwkeurigheid na unlearning?
In de meeste gevallen is de nauwkeurigheidsdaling zeer klein (minder dan 0,3%). In verschillende experimenten heb ik utility-positieve resultaten behaald waarbij de nauwkeurigheid zelfs toenam na unlearning.
Met wat voor modellen werk je?
Ik gebruik voornamelijk een heterogene deep ensemble. Ik kan de oplossing aanpassen aan andere modellen of jouw eigen architectuur indien nodig.
Bied je de volledige code en uitleg aan?
Ja. Je ontvangt schone, goed gedocumenteerde Python-code, volledige training + unlearning pipeline, evaluatiemetrics, visualisaties en gedetailleerde uitleg.
Kun je de oplossing aanpassen voor mijn dataset?
Absoluut. Ik kan het aantal clients, poisoningniveau, unlearningsterkte en andere parameters aanpassen op basis van jouw specifieke wensen.
Welke statistieken geef je door?
Ik lever: Global Accuracy, MIA AUC, Forget Quality, Backdoor ASR, AUS, Dynamic Forgetting Efficiency (DFE), en Certified Forgetting Bound (ε).
Hoe lang duurt het om het gig te voltooien?
De meeste standaard implementaties duren 3–7 dagen, afhankelijk van complexiteit en maatwerk. Ik geef je een duidelijke planning na het bespreken van je wensen.
Bieden jullie revisies aan?
Ja, ik bied onbeperkte revisies totdat je volledig tevreden bent met het resultaat.
