-
-
公开(公告)号：CN117633478A
公开(公告)日：2024-03-01
申请号：CN202410023388.0
申请日：2024-01-08
IPC: G06F18/20 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q50/00 , G06F16/9536 , G06F18/24
Abstract: 本发明公开了基于GNNs社交媒体挖掘的公平性后门评估方法及系统，包括：获取社交网络中的原始数据；根据长尾分布从所述原始数据中选择候选节点，构建候选空间；基于Wasserstein距离，遍历所述候选空间中的节点，生成公平触发器；基于所述公平触发器，构造后门数据；基于所述后门数据，选择不同的模型进行训练，并进行后门公平性评估。本发明采用一种新型的候选节点空间选择机制和动态自适应的后门触发器设计方法，以此动态生成后门数据，通过计算多种主流模型在不同任务场景下的公平性、准确性等指标，完成对社交媒体挖掘场景中图神经网络学习群体公平性后门的综合评估。
-
公开(公告)号：CN113837235A
公开(公告)日：2021-12-24
申请号：CN202111008500.6
申请日：2021-08-31
Applicant: 暨南大学
IPC: G06K9/62 , G06F40/194 , G06F21/55
Abstract: 本发明公开了一种基于社交网络隐私协商系统的智能体行为追责方法，通过定性追责和定量追责过程实现智能体行为追责，在定性追责过程中采用正向模拟协商过程和逆向复现协商过程的方法，准确判断隐私协商智能体是否存在不当行为并在存在不当行为时精准锁定其具体发生位置。进一步提出了简单量化方法、加权马氏距离方法、改进Minhash方法共3种定量追责方法，能够求得隐私协商智能体的责任量化值，从而对不当行为的严重程度进行量化。本发明解决了当前社交网络隐私协商系统中智能体存在的不可信、不安全、恶意行为问题。
-
Patent Agency Ranking
公开(公告)号：CN113837235B
公开(公告)日：2024-02-09
申请号：CN202111008500.6
申请日：2021-08-31
IPC: G06F21/55 , G06F21/62 , G06F18/22 , G06F40/194 , G06F18/24
Abstract: 本发明公开了一种基于社交网络隐私协商系统的智能体行为追责方法，通过定性追责和定量追责过程实现智能体行为追责，在定性追责过程中采用正向模拟协商过程和逆向复现协商过程的方法，准确判断隐私协商智能体是否存在不当行为并在存在不当行为时精准锁定其具体发生位置。进一步提出了简单量化方法、加权马氏距离方法、改进Minhash方法共3种定量追责方法，能够求得隐私协商智能体的责任量化值，从而对不当行为的严重程度进行量化。本发明解决了当前社交网络隐私协商系统中智能体存在的不可信、不安全、恶意行为问题。
-
公开(公告)号：CN117436130A
公开(公告)日：2024-01-23
申请号：CN202311744142.4
申请日：2023-12-19
Applicant: 暨南大学
IPC: G06F21/62 , G06F16/901
Abstract: 本发明涉及数据隐私保护技术领域，特别是涉及一种基于差分隐私的有向图数据安全发布方法，包括：获取图数据，构建有向图并提取各级别的初始节点度信息；构建组合差分隐私机制，向所述节点度信息中添加噪声，获取节点度信息，计算所述节点度信息的敏感度；基于所述敏感度，采用分组策略对所述节点度信息进行降低噪声处理；引入自适应算法优化所述节点度信息，获取最终节点度信息；将所述最终节点度信息输入生成图模型，生成隐私有向图。本发明能够有效保护有向图数据隐私，保留原始图的效用。
-
公开(公告)号：CN117250871A
公开(公告)日：2023-12-19
申请号：CN202311540413.4
申请日：2023-11-20
IPC: G05B13/04
Abstract: 本发明公开一种基于去中心化联邦学习的人机协作安全性评估方法和装置，包括：步骤S1、获取工业物联网环境中的雷达数据；步骤S2、根据雷达数据训练本地模型；步骤S3、各参与方通过对等网络与其邻居交换本地模型参数并聚合；步骤S4、基于聚合的本地模型构造扰动模型并通过协同策略对其优化；步骤S5、选择不同的协同策略优化扰动模型并进行人机协作安全性评估，以保障人机协作应用场景的安全性和可靠性。本发明技术方案，采用动态自适应的扰动模型构造机制和基于协同的扰动模型优化策略，从共识模型的收敛速度、准确性及多轮训练过程的稳定性等方面，完成对工业物联网场景中去中心化联邦学习鲁棒性的综合评估。
-
公开(公告)号：CN116597498B
公开(公告)日：2023-10-24
申请号：CN202310826138.6
申请日：2023-07-07
Applicant: 暨南大学
IPC: G06V40/16 , G06N3/0985 , G06V10/82 , G06F21/60 , G06F21/64
Abstract: 本发明公开了一种基于区块链和联邦学习的公平人脸属性分类方法，属于计算机视觉技术领域，包括：模型需求者发布联邦学习任务，区块链交易合约向客户端传递联邦学习任务；客户端接收到联邦学习任务后，对局部模型进行训练，并将局部模型参数加密发送给区块链节点；区块链节点验证局部模型参数的公平性，生成客户端信誉，并将验证成功的局部模型参数进行加密，和客户端信誉打包生成新区块；区块链交易合约将新区块广播给其他区块链节点进行验证，中央服务器收集验证成功的局部模型参数并进行聚合，获得全局模型；模型需求者基于全局模型进行人脸属性识别分类。本发明实现了全局模型属性公平的增强，同时维持了人脸属性分类理想的准确率。
-
公开(公告)号：CN116597498A
公开(公告)日：2023-08-15
申请号：CN202310826138.6
申请日：2023-07-07
Applicant: 暨南大学
IPC: G06V40/16 , G06N3/0985 , G06V10/82 , G06F21/60 , G06F21/64
Abstract: 本发明公开了一种基于区块链和联邦学习的公平人脸属性分类方法，属于计算机视觉技术领域，包括：模型需求者发布联邦学习任务，区块链交易合约向客户端传递联邦学习任务；客户端接收到联邦学习任务后，对局部模型进行训练，并将局部模型参数加密发送给区块链节点；区块链节点验证局部模型参数的公平性，生成客户端信誉，并将验证成功的局部模型参数进行加密，和客户端信誉打包生成新区块；区块链交易合约将新区块广播给其他区块链节点进行验证，中央服务器收集验证成功的局部模型参数并进行聚合，获得全局模型；模型需求者基于全局模型进行人脸属性识别分类。本发明实现了全局模型属性公平的增强，同时维持了人脸属性分类理想的准确率。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.035 seconds)
