公开(公告)号：CN117493877A

公开(公告)日：2024-02-02

申请号：CN202311297708.3

申请日：2023-10-09

Applicant: 北京工业大学

Inventor： 伍贤麟 ,  陈渝文 ,  刘豪宇 ,  杨震

IPC: G06F18/214 ,  G06F18/24 ,  G06N3/098

Abstract: 本发明公开了基于联邦学习的医院隐私数据加噪与优化保护方法，该方法的步骤如下：医院客户端指定的中央服务器初始化并广播发送全局模型至客户端；客户端在本地使用私有数据集训练本地模型并得到模型梯度数据；客户端对模型梯度数据进行裁剪加噪保护处理；客户端使用噪声优化算法对加噪后的模型梯度参数进行方向优化；客户端将优化后的模型梯度参数上传至服务器；中央服务器对模型梯度参数进行联邦聚合；生成最终经过优化噪声梯度算法保护的模型。本方法在使用传统联邦学习框架的基础上，采用对客户端传输至服务器的参数加噪并优化方法，解决了传统的基于联邦学习框架中提供加噪保护后的模型准确率低的问题。

公开(公告)号：CN117274071A

公开(公告)日：2023-12-22

申请号：CN202310300003.6

申请日：2023-03-26

Applicant: 北京工业大学

Inventor： 唐紫文 ,  陈渝文 ,  刘豪宇 ,  杨震

IPC: G06T5/00 ,  G06F21/62 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/094 ,  G06N3/098 ,  G06N3/084

Abstract: 本发明公开了一种基于生成对抗神经网络的联邦学习数据重建方法，主要针对图像数据的恢复。该方法利用了联邦学习场景下，各参与者可以比较容易的获取到共享模型的结构及参数的特点，并且利用生成对抗神经网络技术，实现了从联邦学习共享模型中恢复数据的技术难题。该方法使用styleGAN2中的生成器作为对抗网络的生成器，并使用联邦学习的共享模型作为对抗网络的鉴别器，通过对抗训练恢复隐私数据。该方法的生成器由于实现了对潜向量的解耦，从而提升了生成样本的质量。此外，该方法创造性的使用高斯滤波原理构造正则项，提升了生成图像的平滑性，进一步提升了重建数据的质量。