-
公开(公告)号：CN113869499A
公开(公告)日：2021-12-31
申请号：CN202111202537.2
申请日：2021-10-15
Applicant: 浙江大学
Abstract: 本发明公开了一种高效的不经意神经网络转化方法，客户端和服务端预先运行预处理过程获得一组用于加密的矩阵，客户端将生成的矩阵作为密钥使用一次性加密技术加密原本用于预测的输入数据，将加密后的数据发给服务端进行线性层的计算，服务端将线性层计算完成后将结果添加拉普拉斯噪声后发送回给客户端，随后在客户端完成非线性函数计算，并将结果通过加噪模型Purifier，最终将加噪完成的结果以明文形式返回给服务端，服务端拿到明文后完成resnet101网络的后续计算，最终完成预测工作。本发明方法能够应用于Resnet101等复杂神经网络模型，实现隐私保护目的，其相比以往的解决方案能够极大程度减少预测所需时间，降低加密方案引入的额外通信量与额外计算量。
-
公开(公告)号：CN113222181B
公开(公告)日：2022-05-17
申请号：CN202110473993.4
申请日：2021-04-29
Applicant: 浙江大学
Abstract: 本发明公开了一种面向k‑means聚类算法的联邦学习方法，该方法包括纵向联邦学习与横向联邦学习。横向联邦学习，包括如下步骤：1)初始化K个聚类，不同参与者将本地样本分给距离该样本最近的聚类2)对每个聚类，计算该聚类的新的聚类中心。3)如果聚类中心发生变化，那么回到步骤1)；纵向联邦学习，包括如下步骤：1)L个参与者分别在本地运行k‑means聚类算法得到T个聚类且做交集得到新的TL个聚类或AP聚类算法得到Ti个聚类且做交集得到新的个聚类。2)将新的个聚类中心作为输入样本，初始化K个聚类。3)将每个样本分给距离它最近的聚类。4)对每个聚类，计算该类的新的聚类中心。5)如果聚类中心发生变化，那么回到步骤3)。
-
公开(公告)号：CN112308157A
公开(公告)日：2021-02-02
申请号：CN202011222998.1
申请日：2020-11-05
Applicant: 浙江大学
Abstract: 本发明公开了一种面向决策树的横向联邦学习方法，该方法包括：所有参与者基于二分法查找数据特征集合中每个特征的分位数草图；参与者根据分位数草图，利用本地持有数据特征，为每个特征构建局部直方图；在所有局部直方图添加满足差分隐私的噪声，并通过安全聚合方法处理后发送给协调者；所述协调者将每个特征的局部直方图合并为一个全局的直方图，并根据所述直方图训练第一棵决策树的根节点；所述协调者将所述节点信息发送给其余参与者；所有参与者更新局部直方图并重复以上过程进行训练，得到训练好的决策树。本发明的横向联邦学习方法具有使用简便、训练高效等优点，可以保护数据隐私，为数据保护水平提供量化支持。
-
公开(公告)号：CN118747681A
公开(公告)日：2024-10-08
申请号：CN202410781192.8
申请日：2024-06-17
Applicant: 浙江大学 , 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种多机构协同风控的方法、装置、存储介质、设备，针对任一机构，确定该机构中每个账户的跨机构交易,利用加密算法，对该机构中各账户的跨机构交易的交易信息进行加密，得到该机构的加密交易信息，并存储；不同机构的所使用的加密算法均相同,当对指定机构中的指定账户进行风控时，确定所述指定账户的跨机构交易对应的加密交易信息，作为待检交易信息,确定所述待检交易信息是否与其他机构存储的加密交易信息匹配,根据匹配结果，确定所述指定账户的风险状态,使每个参与机构均利用相同的加密算法对自身机构中各账户的跨机构交易进行加密，在不泄露自身交易数据的情况下，即可利用其他机构的交易数据完成对自身内部账户的风控。
-
公开(公告)号：CN112364908B
公开(公告)日：2022-11-11
申请号：CN202011224742.4
申请日：2020-11-05
Applicant: 浙江大学
Abstract: 本发明公开了一种面向决策树的纵向联邦学习方法，该方法主要包括如下步骤：1)所有参与者对于本地的每一个特征，将本地数据进行排序，随后将排序后的数据按序等分为不同的块，将每一块称为一个桶。2)对于每一个特征所对应的一组数据，每一个数据在该特征下的桶号有一定概率变为其它桶号，选取适当的概率使得这种加密方式满足差分隐私的定义。3)每个参与者将不同数据在不同特征下分到的桶的序号，发送给持有标签的参与者。将这个参与者称为协调者。4)协调者根据这些数据训练决策树模型，训练过程不再需要其他参与者。本发明首次提出在决策树的联邦学习中传递排序的方法，在维持联邦学习安全性的同时，极大的提升了训练速度。
-
Patent Agency Ranking
公开(公告)号：CN116882488A
公开(公告)日：2023-10-13
申请号：CN202310788924.1
申请日：2023-06-30
Applicant: 浙江大学
IPC: G06N3/098 , G06N3/042 , G06N3/0455 , G06F21/71 , G06F21/62
Abstract: 本发明公开了一种面向深度图神经网络的联邦学习训练方法和装置，该方法应用于联邦图学习设定下，将图数据中的跨客户端邻居节点信息进行压缩，由主动客户端发往被动客户端，并由被动客户端使用解码器展开成树状数据补充进图数据。本发明使用图数据压缩传输，实现了联邦图学习中的跨客户端邻居节点信息补全，提高了联邦图神经网络训练中的通信效率和准确率，同时，其实现可直接应用于各类图神经网络模型，且能应用于深层图神经网络。
-
公开(公告)号：CN112364908A
公开(公告)日：2021-02-12
申请号：CN202011224742.4
申请日：2020-11-05
Applicant: 浙江大学
Abstract: 本发明公开了一种面向决策树的纵向联邦学习方法，该方法主要包括如下步骤：1)所有参与者对于本地的每一个特征，将本地数据进行排序，随后将排序后的数据按序等分为不同的块，将每一块称为一个桶。2)对于每一个特征所对应的一组数据，每一个数据在该特征下的桶号有一定概率变为其它桶号，选取适当的概率使得这种加密方式满足差分隐私的定义。3)每个参与者将不同数据在不同特征下分到的桶的序号，发送给持有标签的参与者。将这个参与者称为协调者。4)协调者根据这些数据训练决策树模型，训练过程不再需要其他参与者。本发明首次提出在决策树的联邦学习中传递排序的方法，在维持联邦学习安全性的同时，极大的提升了训练速度。
-
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
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。
-
公开(公告)号：CN112308157B
公开(公告)日：2022-07-22
申请号：CN202011222998.1
申请日：2020-11-05
Applicant: 浙江大学
Abstract: 本发明公开了一种面向决策树的横向联邦学习方法，该方法包括：所有参与者基于二分法查找数据特征集合中每个特征的分位数草图；参与者根据分位数草图，利用本地持有数据特征，为每个特征构建局部直方图；在所有局部直方图添加满足差分隐私的噪声，并通过安全聚合方法处理后发送给协调者；所述协调者将每个特征的局部直方图合并为一个全局的直方图，并根据所述直方图训练第一棵决策树的根节点；所述协调者将所述节点信息发送给其余参与者；所有参与者更新局部直方图并重复以上过程进行训练，得到训练好的决策树。本发明的横向联邦学习方法具有使用简便、训练高效等优点，可以保护数据隐私，为数据保护水平提供量化支持。
-
公开(公告)号：CN114186694A
公开(公告)日：2022-03-15
申请号：CN202111356723.1
申请日：2021-11-16
Applicant: 浙江大学
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。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
