-
公开(公告)号：CN117332267A
公开(公告)日：2024-01-02
申请号：CN202311273119.1
申请日：2023-09-27
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F21/62 , G06N3/08
Abstract: 本说明书实施例提供一种保护隐私数据的模型训练方法和装置，方法包括：第一方从第二方接收训练样本集中各个训练样本的密文特征数据，密文特征数据为明文特征数据经过数据压缩后得到的；将任一训练样本的密文特征数据输入深度学习模型，得到该训练样本的嵌入特征向量；利用本方持有的任一训练样本的嵌入特征向量、第二方提供的该训练样本的任务标签以及第三方提供的任务模型，通过安全多方计算的方式联合训练任务模型，训练后的任务模型和深度学习模型共同实现目标任务的预测。能够既提供安全保障，又提高模型训练的效率。
-
公开(公告)号：CN116011012A
公开(公告)日：2023-04-25
申请号：CN202211735546.2
申请日：2022-12-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/62 , G06F18/214 , G06F18/241 , G06N3/04 , G06N3/048 , G06N3/08
Abstract: 本说明书实施例提供一种基于多方安全计算训练模型的方法及装置，在多方联合利用各自的隐私数据进行基于逻辑回归的分类模型训练过程中，通过目标映射函数代替常规的sigmoid函数进行数据分类，以减少基于逻辑回归进行分类的分类模型在多方安全计算场景下的数据处理的复杂度，提高模型训练效率。其中，在目标映射函数满足在远离0的位置具有较高准确度的条件的情况下，可以提高分类准确度。如此，可以提高多方安全计算场景下联合训练基于逻辑回归的分类模型的可行性。
-
公开(公告)号：CN115906137A
公开(公告)日：2023-04-04
申请号：CN202211735172.4
申请日：2022-12-31
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用于多方安全计算的数据处理方法及装置，在浮点数的指定小数位数fxp与扩展位数s满足fxp+s≤t/2(t为加密环的比特位数)的情况下，针对一个浮点数x，对其映射到加密环上的编码值进行处理过程中，通过s比特位的左移，将浮点数的指定小数位由fxp扩展为fxp+s，一方面避免了位反转过程中的高位截断，另一方面，将正则化算法的有效输入数值范围扩展为2‑(fxp‑1)至2(fxp‑1+s)。从而，可以大大扩展多方安全计算过程中所处理的浮点数的输入数据范围。
-
公开(公告)号：CN114172631B
公开(公告)日：2022-05-06
申请号：CN202210131397.2
申请日：2022-02-14
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基于秘密分享的排序方法和系统。其中，该方法包括：从第二参与方获取加密第二分片；使用第一公钥对待排序序列的第一分片进行同态加密，获得加密第一分片；基于加密第一分片和加密第二分片，获取加密待排序序列；使用排序序列对加密待排序序列进行排序，获得加密目标序列；其中，目标序列等于基于排序序列对待排序序列进行排序的结果；获取随机序列作为目标序列的第一分片；基于加密目标序列和目标序列的第一分片，获取加密目标序列的第二分片；将加密目标序列的第二分片发送给第二参与方，以便第二参与方基于第一私钥解密加密目标序列的第二分片获得目标序列的第二分片。
-
公开(公告)号：CN111784078B
公开(公告)日：2022-04-26
申请号：CN202010723469.3
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针对决策树的分布式预测方法和系统，可保护各方数据隐私。各方预测模型具有相同结构。任一参与方根据预测对象在己方预测模型上的预测路径，获得己方的标志向量，该标志向量指示预测对象沿该预测路径抵达的叶节点。当预测至本地分裂节点时，基于与该本地分裂节点关联的特征值继续预测；当预测至非本地分裂节点时，继续预测至该非本地分裂节点下的所有子节点。该参与方将己方的标志向量拆分成N个分片，将该N个分片分配给N个参与方，并根据多方安全计算协议与其他N‑1个参与方交互，以基于分配到的N个参与方的标志向量的分片计算等效标志向量的分片，等效标志向量为N个参与方的标志向量按位相乘的结果。
-
Patent Agency Ranking
公开(公告)号：CN114282255A
公开(公告)日：2022-04-05
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：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：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：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
54
records
(took 0.052 seconds)
