-
公开(公告)号：CN111400766A
公开(公告)日：2020-07-10
申请号：CN202010220436.7
申请日：2020-03-25
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，对其本地拥有的隐私数据矩阵进行转置相乘运算，得到乘积矩阵后，使用第三方的公钥对乘积矩阵进行同态加密，然后，汇总到某个运算平台中进行同态加和操作，将同态加和结果发至第三方。第三方对同态加和结果解密，可得到主成分分析所需的协方差矩阵，进而确定出降维变换矩阵，广播给各个持有方。于是，各个持有方可以利用该降维变换矩阵进行降维处理。通过这样的方式，确保了各个持有方中隐私数据的安全。
-
公开(公告)号：CN111178549B
公开(公告)日：2020-07-07
申请号：CN202010276696.6
申请日：2020-04-10
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保护数据隐私的双方联合训练业务预测模型的方法和装置，其中双方各自拥有一部分特征数据。在模型迭代过程中，双方通过安全矩阵乘法，得到总的特征矩阵X与总的参数矩阵W的乘积结果的两个乘积分片。拥有标签的第二方对标签向量Y进行秘密分享，使双方得到两个标签分片。于是，双方各自根据持有的乘积分片和标签分片计算出对应的误差分片。然后双方基于各自的误差分片和特征矩阵，通过秘密分享和安全矩阵乘法，得到对应的梯度分片。然后，第一方利用其梯度分片更新其维护的参数分片，第二方利用其梯度分片更新其维护的参数分片。如此实现保护数据隐私的安全联合训练。
-
公开(公告)号：CN111340243A
公开(公告)日：2020-06-26
申请号：CN202010411922.7
申请日：2020-05-15
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00
Abstract: 本说明书的实施例提供用于联盟学习的方法，所述联盟包括至少三个第一成员设备以及第二成员设备，每个第一成员设备具有本地数据。在该方法中，第二成员设备基于各个第一成员设备的硬件性能参数信息，对第一成员设备进行成员分组，得到各个第一成员设备分组，每个第一成员设备分组具有与各自的硬件性能参数适配的初始全局业务模型。针对各个第一成员设备分组，该第一成员设备分组中的各个第一成员设备使用各自的本地数据，与第二成员设备一起执行联盟学习来得到目标全局业务模型。
-
公开(公告)号：CN111162896B
公开(公告)日：2020-06-26
申请号：CN202010252277.9
申请日：2020-04-01
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保护数据隐私的双方联合进行数据处理的方法和装置，其中双方各自维护有隐私数据构成的原始矩阵。根据该方法，由两方中矩阵维度较小的一方对其矩阵进行同态加密，将加密后的矩阵发送给另一方。另一方用其自身的原始矩阵，对该加密矩阵进行同态加和运算，得到加密综合矩阵。该加密综合矩阵相当于对乘法矩阵加密后的矩阵。然后，双方针对加密综合矩阵进行同态加密下的秘密分享，最终各自得到一个矩阵分片，使得分片之和为乘法矩阵，从而实现双方的安全矩阵运算。
-
公开(公告)号：CN111160573A
公开(公告)日：2020-05-15
申请号：CN202010251506.5
申请日：2020-04-01
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保护数据隐私的双方联合训练业务预测模型的方法和装置，其中双方各自拥有一部分特征数据。在模型迭代过程中，双方通过安全矩阵乘法，得到总的特征矩阵X与总的参数矩阵W的乘积结果的加密分片。由拥有标签的第二方汇总这两个加密分片，得到加密的乘积结果Z。第二方基于该乘积结果Z与加密的标签Y，得到加密的误差E，并对其进行同态加密下的秘密分享。于是，双方各自得到误差分片。然后双方基于误差分片和各自的特征矩阵，通过秘密分享和安全矩阵乘法，得到对应的梯度分片。然后，第一方利用其梯度分片更新其维护的参数分片，第二方利用其梯度分片更新其维护的参数分片。如此实现保护数据隐私的安全联合训练。
-
Patent Agency Ranking
公开(公告)号：CN111144976A
公开(公告)日：2020-05-12
申请号：CN201911258582.2
申请日：2019-12-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/06 , G06F16/9535 , G06N20/00
Abstract: 本公开提供了推荐模型的训练方法及装置，方法包括：基于用户针对推荐对象的历史行为信息，确定用于指示用户和推荐对象的关联关系的网络关系图；基于网络关系图，确定网络关系图中每个用户和每个推荐对象的表示向量；基于所确定出的表示向量，确定推荐模型的模型参数初始值；以及使用训练样本，对推荐模型进行训练。在该方法中，用户的历史行为信息可能包括用户的隐私信息，该方法可以采用用户公开的非隐私的历史行为信息来实现，以保护用户隐私。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
382
records
(took 0.042 seconds)
