-
公开(公告)号：CN117575044A
公开(公告)日：2024-02-20
申请号：CN202311654723.9
申请日：2023-12-05
Applicant: 之江实验室
Abstract: 本申请涉及一种数据遗忘学习方法、装置、数据处理系统和存储介质，其中，该数据遗忘学习方法包括：在接收到针对数据处理系统中目标边缘节点的移除请求的情况下，根据数据处理系统中任意两个边缘节点的梯度相似度，将若干个边缘节点划分成节点簇；将目标边缘节点所在的节点簇识别为目标节点簇，将数据处理系统中目标节点簇之外的各个节点簇识别为其他节点簇；获取由目标节点簇上传的，根据初始簇模型进行遗忘学习得到遗忘模型；获取由其他节点簇上传的，根据初始簇模型进行训练得到其他簇模型；根据遗忘模型和其他簇模型，得到移除目标边缘节点的数据处理系统，通过本申请，提升了数据处理的效率，减少了内存资源的消耗。
-
公开(公告)号：CN117130794A
公开(公告)日：2023-11-28
申请号：CN202311404191.3
申请日：2023-10-27
Applicant: 之江实验室
Abstract: 本申请涉及一种联邦学习的客户端选择方法、装置和计算机存储介质，所述方法包括：基于所有客户端的上一迭代轮次的损失值和本地数据集大小，确定当前迭代轮次中各客户端的单轮权重系数，根据各客户端的单轮权重系数和上一迭代轮次的历史权重系数，调整当前迭代轮次中各客户端的选择权重；根据当前迭代轮次所处的迭代轮次区间和预设的客户端选择数量阈值，确定当前迭代轮次的客户端选择数量；基于选择权重和客户端选择数量，选取当前迭代轮次的目标客户端。采用本方法解决了现有技术中限制客户端数量减少通信成本造成全局模型性能损失的问题，并将历史权重融入客户端的选取过程，平衡了联邦学习的训练效率和通信成本。
-
公开(公告)号：CN118194348A
公开(公告)日：2024-06-14
申请号：CN202410347321.2
申请日：2024-03-26
Applicant: 之江实验室
Abstract: 本申请涉及一种数据价值评估方法、数据价值评估装置和存储介质，其中，该数据价值评估方法包括：通过获取本地加密数据和本地加密模型参数，基于联邦学习聚合模型将本地加密模型参数聚合得到聚合加密模型参数；将本地加密数据和聚合加密模型参数进行神经网络模型线性部分隐私计算，得到线性部分隐私计算结果，并将线性部分隐私计算结果发送给关联服务器；获取本地数据的价值评估值，价值评估值为关联服务器根据线性部分隐私计算结果计算得到；将价值评估值、本地加私密数据和目标密钥哈希值发送至数据需求方，以使数据需求方与数据持有方基于价值评估值完成数据交易。实现了在确保数据隐私安全的情况下，对数据进行有效的价值评估和可信流通。
-
公开(公告)号：CN117993027A
公开(公告)日：2024-05-07
申请号：CN202410368830.3
申请日：2024-03-28
Applicant: 之江实验室
IPC: G06F21/64 , G06F21/62 , G06F16/2455
Abstract: 本申请涉及一种针对重复查询攻击的数据保护方法和装置，该方法判断目标数据的查询请求是否为首次查询；若所述查询请求并非首次查询，则获取所述目标数据的在先查询结果；基于第一干扰机制对所述在先查询结果进行随机干扰处理，得到第一扰动结果；将所述第一扰动结果作为目标查询结果进行输出。解决了现有技术中被多次查询的数据面临较大的泄露风险的问题，使得攻击者在多次查询中不会获得数据的更多信息，提高数据查询的安全性。
-
公开(公告)号：CN117171628B
公开(公告)日：2024-03-26
申请号：CN202311438185.X
申请日：2023-11-01
Applicant: 之江实验室
IPC: G06F18/24 , G06N3/0464 , G06N3/047 , G06N3/098 , G06N20/00 , G06F16/901
Abstract: 本申请涉及一种异构联邦环境中的图结构数据节点分类方法和装置。所述方法包括：随机从所有客户端中选择一组客户端子集参与迭代，客户端基于本地子图上图结构数据节点的采样概率采样得到节点子集，对客户端上的局部模型进行训练，得到局部模型参数；对每轮客户端子集的局部模型参数进行平均聚合，得到更新的全局模型参数直至更新的全局模型参数对应的全局模型在符合所有客户端本地子图的全局图分布测试集上的节点分类准确率达到预设阈值。采用本方法能够解决现有技术中图结构数据的场景下联邦学习效率低的问题，有效抑制图联邦学习中每个局部模型的偏移程度，降低局部模型训练的存储和计算成本，提高了图结构数据节点分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN117557870A
公开(公告)日：2024-02-13
申请号：CN202410022912.2
申请日：2024-01-08
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/74
Abstract: 本申请涉及一种基于联邦学习客户端选择的分类模型训练方法、系统及介质，其中，基于联邦学习客户端选择的分类模型训练方法包括：初始化全局模型，并初始化虚拟队列、客户端相似度矩阵以及客户端选中频率矩阵；在每一次迭代训练过程中，基于所述虚拟队列、所述客户端相似度矩阵以及所述客户端选中频率矩阵，确定参与本轮训练的K个客户端；将所述全局模型发送至所述K个客户端进行并行训练，得到聚合后的全局模型；更新所述虚拟队列、所述客户端相似度矩阵以及所述客户端选中频率矩阵，并重复所述迭代训练过程直至达到设定的迭代次数，获得训练好的全局模型；使用训练好的全局模型对目标数据集进行分类，得到分类结果，提高了图像分类的精度。
-
公开(公告)号：CN117058804B
公开(公告)日：2024-01-09
申请号：CN202311320177.5
申请日：2023-10-12
Applicant: 之江实验室
Abstract: 本说明书公开了一种投票的方法、装置、存储介质及电子设备，服务器可确定参与投票的投票客户端、被投票方以及被投票方中的目标被投票方。并可生成各被投票方对应的投票问卷的内容，以及确定目标被投票方对应的投票问卷与其他被投票方对应的投票问卷的比例。根据内容以及比例，生成各被投票方对应的投票问卷并随机发送至投票客户端，以得到投票结果并接收，投票问卷与投票客户端的对应关系以及投票结果与各被投票方的对应关系对于服务器是未知的。根据投票结果、投票客户端的数量以及比例，确定目标被投票方对应的投票数量。该方法实现对投票方的投票选择的隐私保护，以使得投票方给出的投票选择更趋于真实从而提高投票结果的
-
公开(公告)号：CN116069933A
公开(公告)日：2023-05-05
申请号：CN202310113808.X
申请日：2023-02-07
Applicant: 之江实验室
IPC: G06F16/35 , G06F17/18 , G06F18/2431 , G06Q20/40 , G06Q40/03 , G06F16/332
Abstract: 本说明书公开了一种业务风控方法、装置、存储介质及电子设备，本说明书实施例根据待风控的用户群的用户数量，确定每种引导字符在引导字符集中的占比，向每个用户的客户端发送满足该占比的引导字符集和风险调查信息。每个客户端返回基于从引导字符集中随机抽取的引导字符确定出的针对风险调查信息的应答结果。服务器基于应答结果和针对引导字符集的期望字符，确定用户群的风险概率，并基于风险概率，对每个用户执行的业务进行风控。此方法中服务器无法得知客户端抽取的引导字符，从而无法得知单个用户是否存在风险，且每个用户以字符形式进行答复，而不是以文字直接答复，这样攻击者无法获取用户针对调查问题的准确答复，从而保护了用户的隐私。
-
公开(公告)号：CN119128556A
公开(公告)日：2024-12-13
申请号：CN202411298041.3
申请日：2024-09-18
Applicant: 之江实验室
Abstract: 本发明公开了一种基于安全多方计算环境的隐私保护DBSCAN聚类方法和装置，方法包括以下步骤：每个数据持有方将其所持有的全部数据通过三方复制秘密分享方案分享到三个独立且不合谋的服务器上；基于三个服务器持有的被分享的数据，计算数据之间的距离得到距离矩阵；将距离矩阵转换成布尔矩阵后进一步计算单步密度可达矩阵；基于单步密度可达矩阵进行次幂运算后进一步计算密度可达矩阵；基于密度可达矩阵得到聚类结果。本发通过计算矩阵乘法来实现DBSCAN算法中的扩张聚类步骤，有效提高了基于安全多方计算环境的的DBSCAN聚类算法的计算效率。
-
公开(公告)号：CN117557870B
公开(公告)日：2024-04-23
申请号：CN202410022912.2
申请日：2024-01-08
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/74
Abstract: 本申请涉及一种基于联邦学习客户端选择的分类模型训练方法、系统及介质，其中，基于联邦学习客户端选择的分类模型训练方法包括：初始化全局模型，并初始化虚拟队列、客户端相似度矩阵以及客户端选中频率矩阵；在每一次迭代训练过程中，基于所述虚拟队列、所述客户端相似度矩阵以及所述客户端选中频率矩阵，确定参与本轮训练的K个客户端；将所述全局模型发送至所述K个客户端进行并行训练，得到聚合后的全局模型；更新所述虚拟队列、所述客户端相似度矩阵以及所述客户端选中频率矩阵，并重复所述迭代训练过程直至达到设定的迭代次数，获得训练好的全局模型；使用训练好的全局模型对目标数据集进行分类，得到分类结果，提高了图像分类的精度。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.041 seconds)
