輕量AI模型問世！免傳敏感資料也能生成高品質影像

韓國蔚山科學技術院（UNIST）人工智慧研究所的柳在俊教授團隊，近日開發出一款名為PRISM（隱私保護改進隨機遮罩）的聯邦學習AI模型。這項突破性技術能在不直接上傳敏感資料至伺服器的情況下，協助生成高品質影像，為醫療影像分析等注重隱私的領域，提供了安全使用生成式AI的新方案。

聯邦學習（FL）是一種分散式機器學習技術，透過彙整各裝置本地AI的學習成果來建立全域性模型，無需直接上傳原始資料。PRISM在聯邦學習過程中扮演中介角色，連線本地AI與全域性AI。與現有模型相比，其通訊成本平均降低38%，且模型大小僅1位元等級，能在智慧型手機等小型裝置的CPU和記憶體上高效運作。

特別值得一提的是，PRISM能精準評估各本地AI的資訊可信度，即使在資料差異大的情況下，仍能整合出優質生成結果。例如將自拍照轉換成吉卜力風格時，傳統方法需上傳照片至伺服器，存在隱私外洩風險；而PRISM所有運算都在手機端完成，既保護隱私又能快速產出結果。

研究團隊在MNIST、FMNIST等常用資料集上的測試顯示，PRISM不僅減少通訊量，生成品質也更優異。特別在MNIST資料集的擴散模型測試中，證實其相容吉卜力風格影像生成。關鍵技術在於採用隨機二進位遮罩法選擇性分享重要資訊，並透過最大平均差異（MMD）評估生成品質，搭配動態聚合策略（MADA）緩解資料差異問題。

柳教授強調：「這項技術不僅適用影像生成，還能應用於文字生成、資料模擬等領域，為醫療、金融等敏感資料處理產業提供安全高效的解決方案。」該研究成果將於2025年4月在新加坡舉行的第十三屆國際學習表徵會議（ICLR 2025）發表。

[end]