-
公开(公告)号：CN111915023A
公开(公告)日：2020-11-10
申请号：CN202010884802.9
申请日：2020-08-28
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基于联邦学习的超参数确定方法及装置。该方法用于确定业务预测模型的超参数，该业务预测模型的多个计算层被划分为包含连续后M个计算层的第一部分模型和包含剩余计算层的第二部分模型，第一部分模型部署在服务器中，第二部分模型部署在多个训练成员中。在任意一次超参迭代过程中，服务器将第一超参数组中的多个超参数向量分别发送至对应的训练成员，并与多个训练成员之间，多次执行针对业务预测模型的模型迭代过程，在多次模型迭代过程完成后，利用安全聚合算法，基于多个训练成员利用各自的测试集得到的业务预测模型的分立预测性能值，确定聚合预测性能值，基于聚合预测性能值，更新第一超参数组。
-
公开(公告)号：CN111523134B
公开(公告)日：2020-11-03
申请号：CN202010630881.0
申请日：2020-07-03
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书的实施例提供用于经由第一和第二数据拥有方协同训练逻辑回归模型的方法。第一和第二数据拥有方具有的数据按照垂直切分方式组成逻辑回归模型的训练样本，第一和第二数据拥有方具有的模型按照垂直切分方式组成逻辑回归模型。各个数据拥有方共享各自的公钥，使用各自的模型和数据确定各自的预测值，并且使用第一数据拥有方的公钥进行预测值加密。第二数据拥有方根据各个数据拥有方的加密预测值，确定逻辑回归模型的第一加密预测差值以及第一加密梯度信息。第一和第二数据拥有方利用第一加密预测差值和第一加密梯度信息，使用同态加密算法确定第一和第二数据拥有方处的梯度信息。各个数据拥有方分别使用各自的梯度信息更新各自的模型。
-
公开(公告)号：CN111783130A
公开(公告)日：2020-10-16
申请号：CN202010919436.6
申请日：2020-09-04
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供一种隐私保护的数据处理方法、装置及服务器。一个方法实施例中，将秘密分享中的加法分片转化成乘法分片，进而可在基于隐私保护的浮点数平方根倒数算法中引入快速平方根算法的高精度初始化，从而减少后续基于隐私保护的牛顿法的迭代次数，在保护用户隐私的同时提高了算法效率，提高了计算设备的处理性能。
-
公开(公告)号：CN111783129A
公开(公告)日：2020-10-16
申请号：CN202010722137.3
申请日：2020-07-24
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保护隐私的数据处理方法及系统。第一方的设备存储有至少一个隐私数据的第一分片，第二方的设备存储有至少一个隐私数据的第二分片，将第一分片和其对应的第二分片进行第一运算能够得到相应的隐私数据。第二方的设备从第一方的设备接收至少一个隐私数据的第一分片的第一同态密文，第一同态密文的加密密钥为第一方的公钥。第二方的设备利用第一方的公钥对至少一个隐私数据的第二分片进行同态加密，得到至少一个隐私数据的第二分片的第一同态密文，并基于至少一个隐私数据的第一分片的第一同态密文和至少一个隐私数据的第二分片的第一同态密文至少进行第一运算，以得到目标数据的第一同态密文。
-
公开(公告)号：CN111738438A
公开(公告)日：2020-10-02
申请号：CN202010691847.4
申请日：2020-07-17
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图神经网络模型训练方法及装置。图神经网络模型包括位于各个第一成员设备的节点特征向量表示子模型和归一化子模型以及位于第二成员设备的判别模型，各个第一成员设备的私有数据是非独立同分布数据。各个第一成员设备的节点特征向量表示子模型的模型结构根据各自数据的数据分布特征确定。各个第一成员设备使用节点特征向量表示子模型和归一化子模型得到归一化特征向量表示，利用从第二成员设备获取的判别模型得到预测标签值并确定出损失函数。各个第一成员设备基于损失函数，确定判别模型的模型更新量并更新节点特征向量表示子模型和归一化子模型。第二成员设备使用源于各个第一成员设备的判别模型的模型更新量更新判别模型。
-
Patent Agency Ranking
公开(公告)号：CN111738360A
公开(公告)日：2020-10-02
申请号：CN202010723916.5
申请日：2020-07-24
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两方决策树训练方法和系统，以保护双方的数据隐私。对于任一特征，两方的设备按照多方安全计算协议进行交互，以基于梯度向量的分片和任一分组对应的标识向量计算该特征下的该分组对应的梯度和的分片。两方的设备按照多方安全计算协议进行交互，以基于各特征下的各分组分别对应的梯度和的分片计算各特征下的各分组分别对应的分裂增益的分片。进而，两方的设备通过多方安全比较协议确定最大分裂增益对应的特征及分组，并按最大分裂增益对应的特征及分组分裂节点。
-
公开(公告)号：CN111738359A
公开(公告)日：2020-10-02
申请号：CN202010722953.4
申请日：2020-07-24
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两方决策树训练方法和系统，以保护双方的数据隐私。对于任一方的特征，另一方的设备在密文形态下计算该特征下的各分组分别对应的梯度和，并将计算出的梯度和的密文转换成梯度和的一个分片和梯度和的另一个分片的密文，将梯度和的另一个分片的密文发送给所述任一方的设备。其中，密文的加密算法为同态加密算法，密文的加密密钥为所述任一方的公钥。两方的设备按照多方安全计算协议进行交互，以基于各特征下的各分组分别对应的梯度和的分片计算各特征下的各分组分别对应的分裂增益的分片。进而，两方的设备通过多方安全比较协议确定最大分裂增益对应的特征及分组，并按最大分裂增益对应的特征及分组分裂节点。
-
公开(公告)号：CN111680676A
公开(公告)日：2020-09-18
申请号：CN202010820143.2
申请日：2020-08-14
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训练人脸识别模型、图像注册、人脸识别方法和装置，用于防止隐私泄露。方法包括：终端设备将人脸训练图像输入第一子模型，得到初始隐层特征；利用第一公钥对初始隐层特征进行同态加密得到加密隐层特征；向服务器发送加密隐层特征和第一公钥；服务器基于加密隐层特征和第二子模型，得到第一加密输出特征；从服务器接收第一加密输出特征；利用第一私钥对第一加密输出特征解密，得到第一解密输出特征；向服务器发送第一解密输出特征，服务器根据第一解密输出特征和人脸训练图像的标签，更新第二子模型，确定反向传播到第一子模型的梯度；从服务器接收梯度，根据梯度更新第一子模型。能够提高人脸识别的安全性。
-
公开(公告)号：CN111291417B
公开(公告)日：2020-08-28
申请号：CN202010384206.4
申请日：2020-05-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/62 , G06F16/9535
Abstract: 本说明书实施例提供一种保护数据隐私的多方联合训练对象推荐模型的方法，其中多方为N方，共同维护M个用户对P个对象的总评分矩阵。该方法由N方中任意的第k方执行，包括：先通过秘密分享，获取以下矩阵分片：该总评分矩阵的第k评分矩阵分片、初始化的该P个对象的对象特征矩阵的第k对象矩阵分片和初始化的该M个用户的用户特征矩阵的第k用户矩阵分片；再执行多次迭代更新，具体地，基于上述矩阵分片，通过与其他N‑1方进行秘密分享矩阵运算，得到对象更新梯度和用户更新梯度的第k分片，进而更新第k对象矩阵分片和第k用户矩阵分片。如此在多次迭代更新结束后，N方各自交换更新后的矩阵分片，进行矩阵重构，进而建立各自的对象推荐模型。
-
公开(公告)号：CN111523681A
公开(公告)日：2020-08-11
申请号：CN202010629924.3
申请日：2020-07-03
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提出了一种全局特征重要性表征方法、装置、电子设备和存储介质，其中，上述方法包括：构建隐私树模型，获取主动方的第一训练数据及目标特征，分别在主动方和被动方进行训练，在训练中记录下各被动方的各项指标值及对应的特征标签；根据所述指标值及所述被动方特征标签进行评估，得到所述隐私树模型的特征重要性；通过本说明书可以获得隐私树模型的全局解释性，由此可以提高对隐私树模型与数据特征之间的关联关系的直观理解。
-
-
-
-
-
-
-
-
-
Search Results
382
records
(took 0.058 seconds)
