فلش‌کارت‌های آموزشی حفاظت از حریم خصوصی در برابر مدل‌های زبانی مخرب و سفارشی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب حفاظت از حریم خصوصی در برابر مدل‌های زبانی مخرب و سفارشی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: امنیت و حریم خصوصی در LLMs

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه و اهمیت حریم خصوصی در عصر هوش مصنوعی
• 2. تعریف مدل‌های زبانی مخرب
• 3. تعریف مدل‌های زبانی سفارشی (Fine-tuned)
• 4. پیوندهای پنهان بین حریم خصوصی و مدل‌های زبانی
• 5. چالش‌های نوظهور در حفاظت از حریم خصوصی
• 6. مروری بر انواع داده‌های حساس
• 7. داده‌های شخصی قابل شناسایی (PII)
• 8. داده‌های مالی
• 9. داده‌های پزشکی
• 10. داده‌های موقعیت مکانی
• 11. داده‌های ارتباطی
• 12. داده‌های رفتاری
• 13. داده‌های نظرات و عقاید
• 14. داده‌های هویتی
• 15. داده‌های حساس فرهنگی و مذهبی
• 16. داده‌های مربوط به حوزه‌های قانونی
• 17. داده‌های مربوط به اطلاعات شغلی
• 18. داده‌های مربوط به شبکه‌های اجتماعی
• 19. داده‌های مربوط به سوابق آموزشی
• 20. داده‌های مربوط به فعالیت‌های آنلاین
• 21. داده‌های مربوط به دستگاه‌های هوشمند
• 22. داده‌های مربوط به داده‌های بیومتریک
• 23. داده‌های مربوط به داده‌های ژنتیکی
• 24. داده‌های مربوط به حریم خصوصی سازمان‌ها
• 25. داده‌های مربوط به اسرار تجاری
• 26. داده‌های مربوط به اطلاعات رقابتی
• 27. داده‌های مربوط به اطلاعات امنیتی
• 28. داده‌های مربوط به اطلاعات کارکنان
• 29. داده‌های مربوط به اطلاعات مشتریان
• 30. داده‌های مربوط به اطلاعات شرکا
• 31. داده‌های مربوط به داده‌های داخلی سازمان
• 32. روش‌های استخراج اطلاعات از مدل‌های زبانی
• 33. حملات استخراج داده (Data Extraction Attacks)
• 34. حملات استنتاج عضویت (Membership Inference Attacks)
• 35. حملات بازسازی داده (Data Reconstruction Attacks)
• 36. حملات استخراج دانش (Knowledge Extraction Attacks)
• 37. حملات استخراج ویژگی (Feature Extraction Attacks)
• 38. حملات استخراج الگو (Pattern Extraction Attacks)
• 39. حملات استخراج مدل (Model Extraction Attacks)
• 40. حملات استخراج داده‌های آموزشی (Training Data Extraction Attacks)
• 41. حملات استخراج داده‌های سفارشی (Fine-tuned Data Extraction Attacks)
• 42. حملات استخراج داده‌های حساس از خروجی مدل
• 43. حملات تزریق پرامپت مخرب (Malicious Prompt Injection)
• 44. حملات دستکاری خروجی مدل (Output Manipulation Attacks)
• 45. حملات مهندسی معکوس پرامپت (Prompt Reverse Engineering)
• 46. حملات جعل هویت از طریق مدل زبانی
• 47. حملات انتشار اطلاعات غلط (Misinformation Spread)
• 48. حملات نفرت‌پراکنی و تبعیض (Hate Speech and Discrimination)
• 49. حملات ایجاد محتوای غیرقانونی
• 50. حملات ایجاد محتوای مضر و آزاردهنده
• 51. حملات سوءاستفاده از اطلاعات شخصی
• 52. حملات فیشینگ و مهندسی اجتماعی
• 53. حملات باج‌گیری سایبری
• 54. حملات انتشار بدافزار از طریق متن
• 55. حملات سوءاستفاده از ضعف‌های مدل
• 56. حملات بهره‌برداری از بایاس‌های مدل
• 57. حملات سوءاستفاده از داده‌های سفارشی نامناسب
• 58. حملات استخراج اطلاعات از مدل‌های سفارشی با هدف خاص
• 59. حملات استخراج اطلاعات از مدل‌های سفارشی برای مقاصد جنایی
• 60. حملات استخراج اطلاعات از مدل‌های سفارشی برای جاسوسی صنعتی
• 61. حملات استخراج اطلاعات از مدل‌های سفارشی برای تخریب اعتبار
• 62. حملات استخراج اطلاعات از مدل‌های سفارشی برای دستکاری افکار عمومی
• 63. روش‌های کلی حفاظت از حریم خصوصی
• 64. ناشناس‌سازی داده‌ها (Data Anonymization)
• 65. نام‌گذاری مجدد داده‌ها (Data Pseudonymization)
• 66. کاهش داده‌ها (Data Minimization)
• 67. دسترسی کنترل شده به داده‌ها
• 68. رمزنگاری داده‌ها (Data Encryption)
• 69. حذف داده‌های حساس قبل از آموزش
• 70. حذف داده‌های حساس پس از آموزش
• 71. حذف داده‌های حساس از داده‌های ورودی
• 72. حذف داده‌های حساس از داده‌های خروجی
• 73. تکنیک‌های آموزش مدل با حفظ حریم خصوصی
• 74. یادگیری فدرال (Federated Learning)
• 75. یادگیری فدرال و حریم خصوصی داده‌ها
• 76. چالش‌های یادگیری فدرال در حفظ حریم خصوصی
• 77. حفظ حریم خصوصی در یادگیری فدرال با استفاده از تکنیک‌های دیگر
• 78. حفظ حریم خصوصی با استفاده از حریم خصوصی تفاضلی (Differential Privacy)
• 79. مفهوم حریم خصوصی تفاضلی
• 80. پیاده‌سازی حریم خصوصی تفاضلی در مدل‌های زبانی
• 81. تاثیر حریم خصوصی تفاضلی بر دقت مدل
• 82. حریم خصوصی تفاضلی و داده‌های سفارشی
• 83. حریم خصوصی تفاضلی در مراحل آموزش
• 84. حریم خصوصی تفاضلی در مراحل استنتاج
• 85. آموزش با حفظ حریم خصوصی (Privacy-Preserving Training)
• 86. تکنیک‌های آموزش ایمن (Secure Training Techniques)
• 87. آموزش با رمزنگاری همومورفیک (Homomorphic Encryption)
• 88. آموزش با محاسبات چندجانبه ایمن (Secure Multi-Party Computation - SMPC)
• 89. استفاده از داده‌های مصنوعی (Synthetic Data)
• 90. تولید داده‌های مصنوعی با حفظ حریم خصوصی
• 91. محدودیت‌های استفاده از داده‌های مصنوعی
• 92. تکنیک‌های ارزیابی و سنجش حریم خصوصی
• 93. معیارهای سنجش حریم خصوصی
• 94. ارزیابی ریسک حریم خصوصی
• 95. تست نفوذ حریم خصوصی (Privacy Penetration Testing)
• 96. ممیزی حریم خصوصی مدل‌های زبانی
• 97. نظارت بر رفتار مدل‌های زبانی
• 98. تشخیص و جلوگیری از حملات حریم خصوصی
• 99. مکانیزم‌های تشخیص حملات استخراج داده
• 100. مکانیزم‌های جلوگیری از تزریق پرامپت مخرب