-
公开(公告)号：CN113379062A
公开(公告)日：2021-09-10
申请号：CN202010161264.0
申请日：2020-03-10
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本申请实施例公开了用于训练模型的方法和装置。该方法的一具体实施方式包括：获取用户数据集；初始化待训练模型；利用用户数据集对待训练模型进行训练，得到基于用户数据集中的用户数据计算得到的原始模型参数梯度；对基于用户数据集中的用户数据计算得到的原始模型参数梯度进行差分隐私处理，得到基于用户数据集中的用户数据计算得到的处理模型参数梯度；利用基于用户数据集中的用户数据计算得到的处理模型参数梯度更新待训练模型的模型参数，得到训练完成模型。该实施方式提供了一种能够抵抗模型逆向攻击的方法，有效保护用户数据的隐私。
-
公开(公告)号：CN112100623A
公开(公告)日：2020-12-18
申请号：CN202010851765.1
申请日：2020-08-21
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F21/57
Abstract: 本申请公开了一种机器学习模型的风险评估方法、装置、设备及存储介质，涉及人工智能技术领域。具体实现方案为：获取机器学习模型的自身信息泄露的风险值；获取所述机器学习模型泄露训练数据的风险值；基于所述机器学习模型的自身信息泄露的风险值和所述机器学习模型泄露训练数据的风险值，评估所述机器学习模型的风险值，与现有技术相比，能够提供一种机器学习模型的有效的风险评估方案，实现对机器学习模型的隐私泄露风险进行准确地评估。
-
公开(公告)号：CN113449872B
公开(公告)日：2023-08-08
申请号：CN202010216295.1
申请日：2020-03-25
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本申请公开了一种基于联邦学习的参数处理方法、装置和系统，涉及大数据技术领域。具体实现方案为：分别确定第一电子设备相对于每个第二电子设备的掩码，其中，所述第一电子设备相对于任一第二电子设备的掩码，与所述第二电子设备相对于所述第一电子设备的掩码之间的和小于预设值；根据所述第一电子设备相对于每个第二电子设备的掩码，对梯度参数进行加密；将加密后的梯度参数发送给服务器，所述加密后的梯度参数用于指示所述服务器对联邦学习模型的全局模型参数进行更新。本申请实施例中不仅可以保护各电子设备的信息，而且可以保证联邦学习模型的可用性。
-
Patent Agency Ranking
公开(公告)号：CN113379062B
公开(公告)日：2023-07-14
申请号：CN202010161264.0
申请日：2020-03-10
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本申请实施例公开了用于训练模型的方法和装置。该方法的一具体实施方式包括：获取用户数据集；初始化待训练模型；利用用户数据集对待训练模型进行训练，得到基于用户数据集中的用户数据计算得到的原始模型参数梯度；对基于用户数据集中的用户数据计算得到的原始模型参数梯度进行差分隐私处理，得到基于用户数据集中的用户数据计算得到的处理模型参数梯度；利用基于用户数据集中的用户数据计算得到的处理模型参数梯度更新待训练模型的模型参数，得到训练完成模型。该实施方式提供了一种能够抵抗模型逆向攻击的方法，有效保护用户数据的隐私。
-
公开(公告)号：CN110889141B
公开(公告)日：2022-02-08
申请号：CN201911266061.1
申请日：2019-12-11
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F21/62
Abstract: 本申请公开了一种数据分布图隐私处理方法、装置和电子设备，涉及数据统计技术领域。其中方法包括：获取目标数据桶的敏感度参数，并获取所述目标数据桶的隐私预算参数，其中，所述敏感度参数由用户预先配置；根据所述敏感度参数和所述隐私预算参数，对所述目标数据桶进行差分隐私处理，以得到隐私处理之后的所述目标数据桶。本申请中的一个实施例具有如下有益效果：数据分布图中的每个数据桶的差分隐私处理均与各自的敏感度参数和隐私预算参数相关联，隐私处理之后的每个数据桶的数据均能够体现并符合各自的敏感度和隐私预算，这使得隐私处理之后的每个数据桶的数据可用性较高，数据误差较小。
-
公开(公告)号：CN112100623B
公开(公告)日：2023-12-22
申请号：CN202010851765.1
申请日：2020-08-21
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F21/57
Abstract: 本申请公开了一种机器学习模型的风险评估方法、装置、设备及存储介质，涉及人工智能技术领域。具体实现方案为：获取机器学习模型的自身信息泄露的风险值；获取所述机器学习模型泄露训练数据的风险值；基于所述机器学习模型的自身信息泄露的风险值和所述机器学习模型泄露训练数据的风险值，评估所述机器学习模型的风险值，与现有技术相比，能够提供一种机器学习模型的有效的风险评估方案，实现对机器学习模型的隐私泄露风险进行准确地评估。
-
公开(公告)号：CN113449872A
公开(公告)日：2021-09-28
申请号：CN202010216295.1
申请日：2020-03-25
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本申请公开了一种基于联邦学习的参数处理方法、装置和系统，涉及大数据技术领域。具体实现方案为：分别确定第一电子设备相对于每个第二电子设备的掩码，其中，所述第一电子设备相对于任一第二电子设备的掩码，与所述第二电子设备相对于所述第一电子设备的掩码之间的和小于预设值；根据所述第一电子设备相对于每个第二电子设备的掩码，对梯度参数进行加密；将加密后的梯度参数发送给服务器，所述加密后的梯度参数用于指示所述服务器对联邦学习模型的全局模型参数进行更新。本申请实施例中不仅可以保护各电子设备的信息，而且可以保证联邦学习模型的可用性。
-
公开(公告)号：CN110889141A
公开(公告)日：2020-03-17
申请号：CN201911266061.1
申请日：2019-12-11
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F21/62
Abstract: 本申请公开了一种数据分布图隐私处理方法、装置和电子设备，涉及数据统计技术领域。其中方法包括：获取目标数据桶的敏感度参数，并获取所述目标数据桶的隐私预算参数，其中，所述敏感度参数由用户预先配置；根据所述敏感度参数和所述隐私预算参数，对所述目标数据桶进行差分隐私处理，以得到隐私处理之后的所述目标数据桶。本申请中的一个实施例具有如下有益效果：数据分布图中的每个数据桶的差分隐私处理均与各自的敏感度参数和隐私预算参数相关联，隐私处理之后的每个数据桶的数据均能够体现并符合各自的敏感度和隐私预算，这使得隐私处理之后的每个数据桶的数据可用性较高，数据误差较小。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.038 seconds)
