Un sistema de recuperación multimodal que preserva la privacidad para la inteligencia artificial

Área de la Ciencia:

• Inteligencia artificial
• Seguridad informática
• Recuperación de información

Sus antecedentes:

• Los modelos de lenguaje grandes (LLM) son cruciales para la IA, pero plantean riesgos de privacidad en entornos de nube multiusuario.
• La recuperación de datos multimodales segura y privada es un desafío importante.

Objetivo del estudio:

• Presentar PMIRS, un sistema novedoso para la recuperación segura y centrada en la privacidad de datos multimodales de imágenes y texto.
• Permitir la transmisión segura de datos a LLM basados en la nube y al mismo tiempo mitigar los riesgos de privacidad.

Principales métodos:

• PMIRS emplea técnicas de ofuscación, inferencia cifrada (AES-CBC) y aprendizaje federado para ajustar un modelo basado en CLIP.
• El algoritmo Diffie-Hellman garantiza la gestión segura de claves en entornos multiusuario.
• Las incrustaciones de consulta se ofuscan mediante proyección por bloques y se cifran.

Principales resultados:

• PMIRS logró puntuaciones F1 de hasta 0.92 y precisión superior a 0.90 en un conjunto de datos ImageNet personalizado.
• La latencia de recuperación fue consistentemente inferior a 180 milisegundos.
• PMIRS mejoró la puntuación F1 promedio en un 7,67% en comparación con la línea de base de CLIP, manteniendo la precisión.

Conclusiones:

• PMIRS ofrece una solución práctica para la recuperación multimodal segura, eficiente y que preserva la privacidad.
• El sistema tiene aplicaciones potenciales en imágenes médicas, atención al cliente y gestión de datos empresariales bajo regulaciones como GDPR y HIPAA.