一种机器学习模型推理与遗忘请求协同处理方法

    公开(公告)号:CN118428475A

    公开(公告)日:2024-08-02

    申请号:CN202410476975.5

    申请日:2024-04-19

    Applicant: 浙江大学

    Abstract: 本发明公开了一种机器学习模型推理与遗忘请求协同处理方法,机器学习在线服务提供商基于遗忘请求在后台实时更新模型,并对用户推理请求进行鲁棒性检测,依据检测结果进行服务调度,从而实现更快的响应速度。该方法包括如下步骤:1)子模型训练:拆分数据集并训练多个具备独立推理能力的子模型并上线服务;2)遗忘请求处理:基于服务期间收到的遗忘请求实时更新相应子模型;3)推理请求响应:优先响应高鲁棒性推理请求,等到模型完成更新后再基于新模型响应低鲁棒性请求。本发明首次提出了机器学习在线服务场景下多种请求的协同处理方法,在保证隐私性与正确性的同时实现了更高的响应速度,优于现有方法,具有通用性强、易于部署等优点。

    一种基于自适应学习的高鲁棒性深度伪造检测方法

    公开(公告)号:CN118379608A

    公开(公告)日:2024-07-23

    申请号:CN202410834314.5

    申请日:2024-06-26

    Abstract: 本发明公开了一种基于自适应学习的高鲁棒性深度伪造检测方法,首先基于质量退化生成算法自适应生成不同质量的退化人脸图像,补充现有深度伪造人脸图像数据集质量多样性,同时结合自适应采样网络协调不同质量的人脸图像的学习信号,动态捕捉未知质量的人脸图像的伪造特征,从而提升深度伪造检测模型对于低质量伪造图像的检测性能。本发明帮助自适应深度伪造检测算法更好地学习伪造特征与退化噪声之间的差异,提高自适应深度伪造检测算法对于未知质量人脸图像的鲁棒性,并基于人脸图像质量进行算法动态训练,指导自适应深度伪造检测算法进行优化,提高自适应深度伪造检测算法对于原始人脸图像和退化人脸图像准确率之间的均衡性。

    一种隐私保护的联邦学习中搭便车攻击防御方法及装置

    公开(公告)号:CN117077192B

    公开(公告)日:2024-07-05

    申请号:CN202310938055.6

    申请日:2023-07-28

    Applicant: 浙江大学

    Abstract: 本发明公开了一种隐私保护的联邦学习中搭便车攻击防御方法及装置,密钥中心生成公私钥对,第一服务器和第二服务器、第一服务器和各客户端之间对私钥进行分割;第一服务器对第一初始模型利用所述公钥加密并利用自身持有的私钥分割进行部分解密,得到第二初始模型,各客户端下载第二初始模型并利用自身的私钥分割进行解密,进行本地模型训练,得到各自的梯度;第一服务器和第二服务器根据各客户端的梯度密文计算客户端梯度和平均梯度的余弦相似度,对每个客户端进行对应的奖励或惩罚,并据此进行聚合,得到聚合后的梯度密文,各客户端根据所述聚合后的梯度密文进行更新,其中在陷阱轮,通过构造陷阱梯度来诱导搭便车攻击者向错误方向更新。

    一种单输入安全多方计算协议的构造方法

    公开(公告)号:CN118278055A

    公开(公告)日:2024-07-02

    申请号:CN202410711988.6

    申请日:2024-06-04

    Abstract: 本发明公开了一种单输入安全多方计算协议的构造方法。本发明包括:离线阶段时,构造多方VOLE协议;在线阶段时,结合多方VOLE协议,对验证者的输入进行加密,获得其密态输入消息,再利用电路拓扑结构计算获得各验证者的密态输出消息,同时对电路拓扑结构中的乘法门进行验证,验证通过后再解密输出。本发明解决了诚实大多数模型的限制,构造了多方VOLE协议,并基于此对输入输出进行加解密操作,保障了协议的隐私性,有更高的安全性,拓宽了协议的应用范围。本发明还降低了在线通信轮数,即仅需一轮在线通信,达到了在线阶段通信轮数最优。

    一种高效安全,低通信的纵向联邦学习方法

    公开(公告)号:CN114186694B

    公开(公告)日:2024-06-11

    申请号:CN202111356723.1

    申请日:2021-11-16

    Applicant: 浙江大学

    Inventor: 刘健 田志华 任奎

    Abstract: 本发明公开了一种高效安全,低通信的纵向联邦学习方法,该方法包括:所有参与者选择持有数据特征集合的部分特征以及所选特征的部分样本;所述参与者将选择的数据添加满足差分隐私的噪声后连同所选样本的数据索引互相发送给其他参与者;所有参与者以接收的特征数据作为标签,以每个缺失的特征作为学习任务,利用相同数据索引中原本持有的特征数据,分别为每个任务训练模型;所述参与者利用训练的模型来预测其他样本的数据以补齐特征数据;所述参与者利用横向联邦学习来共同训练一个模型。本发明的高效安全,低通信的纵向联邦学习方法可以借助横向联邦学习的优势,在高效训练的同时保护数据隐私,为数据隐私保护提供量化支持。

    基于信息瓶颈的深度伪造图像检测方法、系统及装置

    公开(公告)号:CN117877129A

    公开(公告)日:2024-04-12

    申请号:CN202311813132.1

    申请日:2023-12-26

    Abstract: 本发明公开一种基于信息瓶颈的深度伪造图像检测方法、系统及装置,方法包括:获取真伪视频,通过预处理得到真伪图像数据集;基于初始图像真伪检测模型,对真伪图像数据集进行特征提取得到图像局部特征集及联合局部特征,建立局部损失函数;通过联合局部特征,得到图像全局特征,进而搭建全局损失函数;基于图像全局特征判定真伪,通过结果搭建类别损失函数;结合局部损失函数、全局损失函数及类别损失函数,对初始伪造图像检测模型进行优化更新,得到图像真伪检测模型;将待检测图像输入图像真伪检测模型中,得到图像真伪检测结果。通过本发明的方法得到更加全面的伪造特征,解决现有伪造图像检测模型的准确度不足及泛化性不强的问题。

    一种基于模型密钥的图像深度区域篡改主动取证方法

    公开(公告)号:CN117876204A

    公开(公告)日:2024-04-12

    申请号:CN202410055135.1

    申请日:2024-01-15

    Applicant: 浙江大学

    Abstract: 本发明公开了一种基于模型密钥的图像深度区域篡改主动取证方法,涉及图像深度篡改取证领域,包括以下步骤:S1:获取模型,获取基于频域变换的可逆神经网络Invertible NeuralNetwork的图像水印模型;S2:生成模型密钥,随机生成模型密钥Kp由发布方持有;S3:制作安全水印模型;S4:注入水印;S5:获取会话密钥,步骤S4中得到的冗余信息矩阵作为会话密钥Ks,由发布方持有;S6:解析水印。本发明采用上述方法,使被保护图像的隐藏信息仅在双密钥均正确的前提下才能被准确提取,提升取证效果的可靠性。还具备针对深度区域篡改算法的改动部位定位能力,扩充取证信息维度。

    一种基于无监督学习的概念漂移缓解方法及装置

    公开(公告)号:CN117807437A

    公开(公告)日:2024-04-02

    申请号:CN202311825338.6

    申请日:2023-12-27

    Abstract: 本发明公开了一种基于无监督学习的概念漂移缓解方法及装置,包括:通过恶意应用分类器的训练样本训练一个无监督学习的自编码器,对于待测样本,使用所述自编码器计算其与各训练样本类别中心的距离,实现漂移样本检测;对于检测出的漂移样本,利用特征归因技术,基于各个特征对于漂移检测的贡献,实现样本漂移原因的解释;选取漂移样本与解释结果进行标注,利用主动学习框架更新所述恶意应用分类器;利用更新后的恶意应用分类器进行软件的分类。通过将对训练样本的自编码拟合,实验测试样本漂移的实时检测,并且加入了一个可解释模块,利用嵌入距离计算特征贡献,极大地降低了主动学习框架中的人工标注成本。

    基于透视变换和多重融合后处理网络的车牌篡改数据生成方法

    公开(公告)号:CN117789189A

    公开(公告)日:2024-03-29

    申请号:CN202311781171.8

    申请日:2023-12-22

    Applicant: 浙江大学

    Abstract: 本发明公开了一种基于透视变换和多重融合后处理网络的车牌篡改数据生成方法。本发明方法将随机选取的车辆图片,输入到预训练的车牌目标检测模型中,利用返回的车牌顶点坐标得到车牌所在区域,设计基于图像透视变换的车牌替换策略,以实现不同视角和不同环境下的车牌替换,在替换基础上设计并训练一个多重融合后处理网络保证替换车牌与背景图片的兼容性,增强伪造数据的真实性,最后批量生成篡改车牌及其标注数据,形成车牌篡改数据集。本发明实现了一种不需要人工篡改的高效率高真实度的车牌篡改图像数据集扩充方法。

Patent Agency Ranking