-
公开(公告)号：CN114721623A
公开(公告)日：2022-07-08
申请号：CN202210391889.5
申请日：2022-04-14
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安全除法，涉及n方，n为不小于3的正整数，每一方持有被除数的分片以及除数的分片。任一计算参与方可基于被除数绝对值的本地分片以及除数绝对值的本地分片，与其余n‑1方协同，通过一轮或多轮处理，得到商绝对值的本地分片。进而，所述任一计算参与方可基于商绝对值的本地分片、被除数符号标识的本地分片以及除数符号标识的本地分片，与其余n‑1方协同，得到商的本地分片。
-
公开(公告)号：CN114676838A
公开(公告)日：2022-06-28
申请号：CN202210380007.5
申请日：2022-04-12
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联合更新模型的方法及装置，在联邦学习过程中，训练成员上传部分待同步参数，服务方向训练成员下发部分待同步参数的聚合值，从而减少联合训练过程中的数据通信量。其中，针对单个训练成员，基于训练成员上传的待同步参数和服务方确定的聚合值共同选择下发的聚合值，从而充分考虑训练成员的本地数据特点，以及全局数据特点，使得通过联邦学习训练的模型更加符合实际业务需求，提高联邦学习的有效性。
-
公开(公告)号：CN114327371B
公开(公告)日：2022-06-21
申请号：CN202210205805.4
申请日：2022-03-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F7/76
Abstract: 本说明书实施例公开了一种基于秘密分享的多键排序方法和系统。第一方将一个或多个第一信息项分别作为排序键对一个或多个第一数据列进行迭代排序，并基于得到的第一结果序列获得第一分组标记列。第一方将第一分组标记列作为待排序序列，第二方将基于一个或多个第二数据列生成的第二排序向量作为排序向量，进行秘密分享向量排序，双方各自得到经过排序的第一分组标记列的分片。双方基于经过排序的第一分组标记列的分片进行秘密分享基数排序，得到第三排序向量的分片。双方对第二排序向量和第三排序向量进行秘密分享合并，得到多方排序向量的分片。双方基于多方排序向量的分片，对待排序数据列进行秘密分享向量排序，得到目标数据列的分片。
-
公开(公告)号：CN114282255B
公开(公告)日：2022-05-31
申请号：CN202210205832.1
申请日：2022-03-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/60
Abstract: 本说明书实施例公开了一种基于秘密分享的排序序列合并方法和系统。其中，该方法包括：基于第一排序序列的第一分片，与第二参与方基于第一排序序列的第二分片，通过秘密分享排列协议，获取第一排序乱序序列的第一分片；第二参与方获得第一排序乱序序列的第二分片；将第一排序乱序序列的第一分片发送给第二参与方，并从第二参与方接收第一排序乱序序列的第二分片，进而获取第一排序乱序序列；基于第一排序乱序序列和第二排序序列的第一分片，获取合并排序乱序序列的第一分片；基于合并排序乱序序列的第一分片，与第二参与方基于合并排序乱序序列的第二分片，通过秘密分享排列协议，获取合并排序序列的第一分片。
-
公开(公告)号：CN112926747B
公开(公告)日：2022-05-17
申请号：CN202110320906.1
申请日：2021-03-25
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优化业务模型的方法及装置，适用于多个数据方基于隐私保护联合训练业务模型情况下，辅助确定业务模型的参数集的服务方。其中，业务模型的参数集用于描述其模型结构及至少一个超参数。该方法的一个实施方式包括：向各个数据方下发业务模型的当前参数集，以供各个数据方共同训练当前参数集对应的业务模型，并分别确定各自对应的模型局部性能，然后对各个数据方分别确定的各模型局部性能进行融合，得到针对当前参数集的当前全局性能，再利用当前全局性能和当前参数集、历史参数集与历史全局性能之间的关联关系，从而以最大化全局性能为目标，更新当前参数集。该实施方式有利于挖掘更有效的业务模型。
-
Patent Agency Ranking
公开(公告)号：CN113033823B
公开(公告)日：2022-05-10
申请号：CN202110424366.1
申请日：2021-04-20
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书涉及一种模型训练方法、系统和装置，能够用于数据隐私保护。该方法包括，各训练成员将自身持有的训练样本的特征数据输入至模型的第一部分，得到初始输出矩阵；接收标签预测值，基于训练样本的标签值以及所述标签预测值确定损失函数值；将所述损失函数值传输给所述服务器，以便服务器基于所述损失函数值在模型的第二部分中反向传播梯度，直到获取输出梯度矩阵；基于所述损失函数相对模型的第一部分中各层的输出数据的梯度，继续反向传播梯度，以对模型的第一部分的模型参数进行更新；基于更新后的模型的第一部分进行下一轮迭代更新，或者基于此确定最终模型的第一部分。
-
公开(公告)号：CN112765652B
公开(公告)日：2022-04-22
申请号：CN202110013267.4
申请日：2020-07-31
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提出一种叶节点分类权值的确定方法、装置、及设备，包括：将本方持有的目标对象的特征输入本方的部分树模型，预测得到与所述目标对象匹配的若干第一疑似叶节点；根据所述若干第一疑似叶节点和对方预测得到的若干第二疑似叶节点，确定为所述目标对象预测得到的目标叶节点；基于本方确定出的所述目标叶节点的本方权值分片的密文、以及对方发送的该目标叶节点的对方权值分片的密文，确定目标叶节点对应的分类权值；其中，所述本方权值分片的密文由本方采用本方公钥对该目标叶节点的本方权值分片进行同态加密得到；根据所述目标叶节点和所述分类权值确定所述目标对象的分类结果。
-
公开(公告)号：CN114327371A
公开(公告)日：2022-04-12
申请号：CN202210205805.4
申请日：2022-03-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F7/76
Abstract: 本说明书实施例公开了一种基于秘密分享的多键排序方法和系统。第一方将一个或多个第一信息项分别作为排序键对一个或多个第一数据列进行迭代排序，并基于得到的第一结果序列获得第一分组标记列。第一方将第一分组标记列作为待排序序列，第二方将基于一个或多个第二数据列生成的第二排序向量作为排序向量，进行秘密分享向量排序，双方各自得到经过排序的第一分组标记列的分片。双方基于经过排序的第一分组标记列的分片进行秘密分享基数排序，得到第三排序向量的分片。双方对第二排序向量和第三排序向量进行秘密分享合并，得到多方排序向量的分片。双方基于多方排序向量的分片，对待排序数据列进行秘密分享向量排序，得到目标数据列的分片。
-
公开(公告)号：CN113868671B
公开(公告)日：2022-03-25
申请号：CN202111446210.X
申请日：2021-12-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供一种数据处理方法、神经网络模型的后门防御方法及装置，基于神经元的权重和梯度值计算出各个神经元的重要性指标值，进而筛选出后门神经元，针对后门神经元进行神经网络模型的优化，有效的避免了神经网络模型被后门攻击后，导致数据处理出现错误的问题，提升了数据处理的安全性和准确性，进一步提升了人工智能系统的安全性能。
-
公开(公告)号：CN111062056B
公开(公告)日：2022-03-15
申请号：CN201911284099.1
申请日：2019-12-13
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基于迁移学习实现的私有数据保护的建模方法、系统及装置。所述方法可以由一个或多个处理器执行，其包括：可以从中间存储设备处获取中间模型，所述中间模型基于第一数据域中的第一数据集获得，并存储于中间存储设备中，所述第一数据集包括文本数据、语音数据、或图像数据。可以基于所述第二数据域中的第二数据集，更新所述中间模型以获取目标模型。所述第二数据域与所述第一数据域是相互隔离的，所述第二数据集所包含的数据类型与所述第一数据集相对应。本说明书所披露的方法，可以在多方安全计算时保护各方私有数据的安全。
-
-
-
-
-
-
-
-
-
Search Results
382
records
(took 0.049 seconds)
