-
公开(公告)号：CN111126623A
公开(公告)日：2020-05-08
申请号：CN201911324811.6
申请日：2019-12-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00
Abstract: 公开了一种模型更新方法、装置及设备。通过本说明书实施例所提供的方案，在给定阴影集合S和目标样本的情形下，分别计算阴影集合中包含训练样本的先验概率α，以及，根据阴影集合S进行采样并训练模型时所得到的采样模型的采样训练参数分布，进而根据给定模型的训练参数分布和目标样本的特征值计算出目标样本z在阴影集合中的后验概率P，从而可以根据后验概率P和先验概率α的差值来评估该已经训练好的模型对于训练样本集合的隐私泄露程度是否合格，在不合格的情形下则改变目标样本和训练样本集合的归属关系，从而得到新的训练样本集合并进行模型调整，以避免隐私数据泄露。
-
公开(公告)号：CN111045829A
公开(公告)日：2020-04-21
申请号：CN202010174985.5
申请日：2020-03-13
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了一种业务预测模型的划分处理及预测方法和装置。在对业务预测模型进行划分时，协调设备可以确定业务预测模型的N个计算层中每个计算层的运算对应的内存占用量；根据可信计算单元的内存容量以及内存占用量，确定分配至可信计算单元的连续的前M个计算层，并得到分配至非可信数据处理设备的N-M个计算层。可信计算单元可以将业务数据输入前M个计算层中，并得到输出结果，通过预设安全协议将输出结果发送至非可信数据处理设备，非可信数据处理设备中的N-M个计算层基于输出结果确定针对业务数据的预测结果。
-
公开(公告)号：CN111027086A
公开(公告)日：2020-04-17
申请号：CN201911297040.6
申请日：2019-12-16
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种多方计算过程中的私有数据保护方法。所述方法包括：可以获取一个以上计算节点的计算数据。可以验证计算数据，以确保计算数据仅能被预设算法处理一次和/或计算数据的唯一性。可以将各计算节点的计算数据基于预设算法进行处理，获得处理结果。可以输出处理结果，以使中心节点能够基于处理结果进行多方计算中的后续计算工作。本说明书实施例公开的方法，可以利用可信执行环境提供的与不可信环境隔离的安全计算环境，在可信执行环境中对各个计算节点的计算数据进行聚合后，再发送给中心节点，使得中心节点在接收到聚合数据后无法得知各个计算节点的计算数据，增加倒推用户数据的难度，提高多方计算过程中私有数据安全性。
-
公开(公告)号：CN110969243A
公开(公告)日：2020-04-07
申请号：CN201911206347.0
申请日：2019-11-29
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种防止隐私泄漏的对抗生成网络训练方法，包括：首先，利用生成器生成多个模拟样本，分为N组；接着，基于第i组模拟样本和第一类别标识，N组真实样本中的第i组真实样本和第二类别标识，以及针对判别器预先设定的损失函数，确定对应于判别器中M个模型参数的M个原始梯度值，组成第i组对应的第i个原始梯度向量，其中真实样本包括隐私数据；然后，分别对所述N组对应的N个原始梯度向量进行梯度裁剪，得到N个裁剪梯度向量；再接着，对所述N个裁剪梯度向量进行平均，得到平均梯度向量；再然后，利用所述平均梯度向量，调整所述M个模型参数，其中M、N、i为正整数，并且M、N≥2，i≤N。
-
公开(公告)号：CN110929886A
公开(公告)日：2020-03-27
申请号：CN201911248776.4
申请日：2019-12-06
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书中的实施例提供了模型训练、预测方法及其系统。模型被划分成本地模型和中心节点模型，各训练节点训练相同结构的本地模型，中心节点训练中心节点模型。训练过程中，各训练节点将训练样本的特征值拆分以获得特征值分片，互相交换特征值分片，基于交换结果及本地模型的第一模型参数通过秘密共享算法计算本地模型的第一输出分片，将第一输出分片发送给中心节点。中心节点基于同一样本ID对应的各训练节点的第一输出分片计算第一输入，基于同一样本ID对应的第一输入和样本标签训练中心节点模型，向各训练节点反馈中心节点模型输入层的目标梯度。各训练节点基于目标梯度更新本地模型参数。如此，可以保护数据隐私。
-
Patent Agency Ranking
公开(公告)号：CN110929870A
公开(公告)日：2020-03-27
申请号：CN202010096248.8
申请日：2020-02-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/08
Abstract: 本说明书实施例提供用于经由多个数据拥有方来训练图神经网络模型的方法及装置。在该方法中，图神经网络模型被分割为判别模型以及多个图神经网络子模型。在进行模型训练时，各个数据拥有方将各自的特征数据子集提供给各自的图神经网络子模型，以得到各个节点的特征向量表示。各个数据拥有方从服务端接收判别模型，并使用各个节点的特征向量表示来得到各个节点的当前预测标签值，由此计算出各个数据拥有方处的当前损失函数，并基于当前损失函数来确定出判别模型的梯度信息以及更新各自的图神经网络子模型。各个数据拥有方将各自的梯度信息提供给服务端，以供服务端来更新判别模型。利用该方法，能够保证各个数据拥有方处的私有数据的数据安全。
-
公开(公告)号：CN110889139A
公开(公告)日：2020-03-17
申请号：CN201911174422.X
申请日：2019-11-26
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种针对用户隐私数据进行多方联合降维的方法和装置。其中多方中的各个数据持有方本地拥有部分用户数据作为隐私数据。为了保证各个持有方隐私数据安全，将有待基于各方隐私数据形成的协方差矩阵拆解为各个持有方可以本地计算或者可以通过秘密分享的矩阵乘法SMM进行安全计算的矩阵；并且，通过安全多方计算MPC的方式，共同确定出协方差矩阵的本征矩阵。如此，各个持有方可以基于本征矩阵对本地数据进行降维，并最终形成降维的用户特征数据。通过这样的方式，确保了用户隐私数据的安全。
-
公开(公告)号：CN110766166A
公开(公告)日：2020-02-07
申请号：CN201911014064.6
申请日：2019-10-23
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00 , G06F16/9536
Abstract: 本说明书实施例提供了一种由用户终端执行的推送模型优化方法，所述终端与第一用户相对应，所述终端本地包括当前的推送模型，所述推送模型基于矩阵分解方法进行预测，所述方法包括：从本地获取第一用户针对第一对象的评分；基于所述评分、所述第一用户的当前嵌入向量和所述第一对象的当前嵌入向量，计算用于优化所述第一对象的嵌入向量的第一梯度向量；确定所述第一用户的当前的预定数目的邻居用户；将所述第一梯度向量分别发送给所述预定数目的邻居用户各自的终端，以使得每个邻居用户的终端基于所述第一梯度向量分别优化其本地的第一对象的嵌入向量。
-
公开(公告)号：CN110751291A
公开(公告)日：2020-02-04
申请号：CN201911039139.6
申请日：2019-10-29
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种实现安全防御的多方联合训练神经网络的方法，其中多方包括对应于多个数据方的多个客户端，以及中立的服务器。多个客户端之间使用安全多方技术MPC，在保护数据隐私的基础上共同计算一个或多个隐层，然后将计算出的隐层放在中立的服务器上，进行其余复杂的神经网络计算，以得到预测结果，用于跟样本标签比对确定预测损失。此外，多个客户端中还各自部署模拟攻击者的攻击者模型，并各自计算攻击者损失。进一步地，服务器根据基于预测损失和攻击者损失确定的训练损失，调整其上部署的其余复杂神经网络的参数，多个客户端根据训练损失调整各自维护的共同计算隐层所对应的部分参数，以及根据攻击者损失调整攻击者模型的参数。
-
公开(公告)号：CN113407988B
公开(公告)日：2025-02-25
申请号：CN202110580162.7
申请日：2021-05-26
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种控制通信量的确定业务数据特征有效值的方法及装置。业务数据属于隐私数据，多个参与方的业务数据可假定拼接成联合数据，其包括多个对象针对多个特征项的特征值。多方分别获取联合数据分片、样本的预测值分片以及模型参数分片。多方中的选定参与方，利用多方中的预测值分片重构完整的预测值数据；利用多方安全计算，通过多方交互，基于多方的联合数据分片和选定参与方的预测值数据，确定多方分别对应的相关性数据分片，其中包括多个特征项之间的相关性数据；采用显著性检验法，通过多方之间的安全交互，基于多方的模型参数分片和相关性数据分片中的对应数据，确定模型参数对应的特征项在提升业务预测模型效果上的有效值。
-
-
-
-
-
-
-
-
-
Search Results
222
records
(took 0.044 seconds)
