公开(公告)号：CN115982754A

公开(公告)日：2023-04-18

申请号：CN202211543557.0

申请日：2022-12-03

Applicant: 桂林理工大学

Inventor： 张攀峰 ,  张文勇 ,  杜慧

IPC: G06F21/62 ,  G06N3/08

Abstract: 本发明公开了一种用于深度学习中支持多方联合训练的数据隐私保护方法，属于深度学习隐私保护技术领域。本发明基于不可逆变换技术的处理方式，采用将初始模型拆分为本地用户模型与中心服务器模型，并通过在本地模型中添加随机节点的方式使得本地训练过程不可逆。同时通过计算各数据集各类数据中各特征属性的可信度来降低低质量数据对于整体模型预测精度的影响。本发明可以有效的防止低质量数据参与训练对模型结果的破坏并能有效的保护各参与方数据集的隐私。与现有技术相比，消耗的计算资源与通信资源都较少。

公开(公告)号：CN116127513A

公开(公告)日：2023-05-16

申请号：CN202310098531.8

申请日：2023-02-10

Applicant: 桂林理工大学

Inventor： 张攀峰 ,  张文勇 ,  杜慧

IPC: G06F21/62 ,  G06F21/71

Abstract: 本发明公开了一种基于线性变换的多数据集协作训练隐私方法，属于深度学习隐私保护技术领域。本发明基于线性变换技术采用向各参与者的线性变换矩阵添加噪声的方式保护各参与者训练数据隐私。同时使用优化算法迭代出满足参与者隐私需求条件下的最优噪声指数，该噪声指数使得经过线性变换后的训练数据的模型准确率与隐私保护度的加权和最大，使得模型能够平衡模型的准确性与隐私保护力度。与现有技术相比本发明平衡了数据隐私保护程度与模型准确率，同时考虑到各参与者对数据的不同程度的隐私需求。

公开(公告)号：CN114580010A

公开(公告)日：2022-06-03

申请号：CN202210063642.0

申请日：2022-01-20

Applicant: 桂林理工大学

Inventor： 张攀峰 ,  石昆正 ,  张文勇 ,  杜慧 ,  董明刚 ,  程小辉

IPC: G06F21/62

Abstract: 本发明涉及数据匿名技术领域，具体涉及一种基于敏感分级信息熵的匿名方法，包括获取发布数据集；基于发布数据集建立匿名模型；基于发布数据集的信息熵建立信息损失衡量标准模型；基于信息损失衡量标准模型对发布数据集进行遍历，得到隐私安全指数最大的最大元组，将最大元组加入匿名模型中对应的等价组；使用等价组的准标识属性中心替代最大元组的值，得到匿名数据集，通过引入信息熵建立的信息损失衡量标准模型与匿名模型对发布数据集进行处理，得到的所述匿名数据的信息熵最高，即数据可用性最高，解决了现有的匿名方法对数据匿名后的数据可用性较低的问题。