-
公开(公告)号：CN115378693A
公开(公告)日：2022-11-22
申请号：CN202210995361.9
申请日：2022-08-18
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种用于纵向联邦学习数据对齐的隐匿集合求交方法，实现步骤为：两个用户初始化相应参数；两个用户分别将各自的用户信息和关键键值信息进行映射；两个用户对各自映射后的哈希表进行编码；两个用户对编码后结果进行混淆和共享；两个用户交换混淆信息共享值，计算得到隐匿集合求交结果。本发明在用户对编码结果进行混淆阶段，是通过不经意混淆网络协议和随机选取的重排列规则对两用户的编码数据进行混淆，避免了现有技术由于仅对发送方数据进行了随机置换导致的接收方可以通过计算得知的求交结果的明文信息反推出其他参与方样本的关键键值信息和相关数据的缺陷，有效提高了数据求交过程中的数据隐私安全性。
-
Patent Agency Ranking
公开(公告)号：CN119962617A
公开(公告)日：2025-05-09
申请号：CN202510034925.6
申请日：2025-01-09
Applicant: 西安电子科技大学
IPC: G06N3/094 , G06N3/098 , G06N3/0464 , G06V10/774 , G06V10/82
Abstract: 本发明提出了一种基于梯度调节因子的卷积神经网络联邦学习后门攻击方法，实现步骤为：构建联邦学习系统；每个客户端获取训练样本集；每个客户端对本地模型进行迭代训练；中央服务器获取后门攻击结果。本发明每个客户端在对本地模型进行迭代训练的过程中，恶意客户端通过本地模型的正常损失值和后门损失值计算每个权值参数的梯度调节因子，并基于该调节因子对权值参数进行更新，能够增强对后门攻击关键的权重参数的更新幅度，同时削弱对大量非关键权重参数的更新，限制了整体权重更新的幅度，不仅能够有效强化后门攻击，还在表现上与良性客户端的梯度更新特征相似，从而提升后门攻击的隐蔽性与持久性。
-
公开(公告)号：CN115378693B
公开(公告)日：2024-02-23
申请号：CN202210995361.9
申请日：2022-08-18
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种用于纵向联邦学习数据对齐的隐匿集合求交方法，实现步骤为：两个用户初始化相应参数；两个用户分别将各自的用户信息和关键键值信息进行映射；两个用户对各自映射后的哈希表进行编码；两个用户对编码后结果进行混淆和共享；两个用户交换混淆信息共享值，计算得到隐匿集合求交结果。本发明在用户对编码结果进行混淆阶段，是通过不经意混淆网络协议和随机选取的重排列规则对两用户的编码数据进行混淆，避免了现有技术由于仅对发送方数据进行了随机置换导致的接收方可以通过计算得知的求交结果的明文信息反推出其他参与方样本的关键键值信息和相关数据的缺陷，有效提高了数据求交过程中的数据隐私安全性。(56)对比文件K. Zhao, W. Xi, Z. Wang, J. Zhao, R.Wang and Z. Jiang.SMSS: Secure MemberSelection Strategy in Federated Learning.《IEEE Intelligent Systems》.2020,第35卷(第4期),37-49.
-
公开(公告)号：CN116226654A
公开(公告)日：2023-06-06
申请号：CN202211104065.1
申请日：2022-09-09
Applicant: 西安电子科技大学
IPC: G06F18/214 , G06N3/084 , G06V10/774 , G06V10/82 , G06F21/62
Abstract: 本发明提出了一种基于掩码梯度的机器学习数据遗忘方法，实现步骤为：获取待遗忘数据集并构建包括情感分析模型和掩码梯度生成器的机器学习系统；初始化参数；更新模型权重参数；对掩码梯度生成器进行优化；达到迭代次数后获取遗忘数据集后的更新模型。本发明在生成掩码梯度时，是通过掩码梯度生成器和情感分析模型相互作用、共同学习来生成的，避免了现有技术由于在生成掩码信息时仅使用训练图像和待训练图像识别模型，直接将训练图像输入待训练图像识别模型中获取训练识别结果和训练掩码结果而造成的优化梯度方向并不是最优的缺陷，有效提高了机器学习数据遗忘的遗忘率，并且降低了过度遗忘造成的准确度损失。
-
公开(公告)号：CN111680934B
公开(公告)日：2023-04-07
申请号：CN202010614975.9
申请日：2020-06-30
Applicant: 西安电子科技大学
IPC: G06Q10/0631
Abstract: 本发明提出了一种基于群体熵和Q学习的无人机任务分配方法，实现步骤为：初始化参数；根据无人机和任务的位置信息获取每个无人机的邻居无人机集合；确定敏感无人机和非敏感无人机；初始化细胞自动机自演化算法参数；获取演化结果，并采用群体熵去衡量每一轮演化的结果；从中选取最优的群体熵信息并根据该信息初始化Q学习中每个无人机的Q表；然后初始化Q学习参数无人机进行Q学习，最后获取无人机任务分配结果。本发明采用群体熵作先验值的方法加速Q学习收敛，并在Q学习过程中充分考虑了全局信息和局部信息，提高算法的学习效率，在保证无人机任务分配结果可靠性的基础上，提升无人机任务分配的收敛速度。
-
公开(公告)号：CN111680934A
公开(公告)日：2020-09-18
申请号：CN202010614975.9
申请日：2020-06-30
Applicant: 西安电子科技大学
IPC: G06Q10/06
Abstract: 本发明提出了一种基于群体熵和Q学习的无人机任务分配方法，实现步骤为：初始化参数；根据无人机和任务的位置信息获取每个无人机的邻居无人机集合；确定敏感无人机和非敏感无人机；初始化细胞自动机自演化算法参数；获取演化结果，并采用群体熵去衡量每一轮演化的结果；从中选取最优的群体熵信息并根据该信息初始化Q学习中每个无人机的Q表；然后初始化Q学习参数无人机进行Q学习，最后获取无人机任务分配结果。本发明采用群体熵作先验值的方法加速Q学习收敛，并在Q学习过程中充分考虑了全局信息和局部信息，提高算法的学习效率，在保证无人机任务分配结果可靠性的基础上，提升无人机任务分配的收敛速度。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
