-
公开(公告)号：CN114172648A
公开(公告)日：2022-03-11
申请号：CN202210126038.8
申请日：2022-02-10
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。该方法应用于第一参与方，第一参与方持有主键序列的第一分片和待排序序列的第一分片，该方法包括：基于主键序列的第一分片与第二参与方协同，通过秘密分享排列协议，获取主键乱序序列的第一分片。基于待排序序列的第一分片与第二参与方协同，通过秘密分享排列协议，获取待排序乱序序列的第一分片。基于主键乱序序列的第一分片与第二参与方协同，通过秘密分享比较协议，获取主键乱序序列的排序序列；排序序列能够将主键乱序序列进行升序或降序排序。基于排序序列对待排序乱序序列的第一分片进行排序处理，获得目标序列的第一分片，目标序列等于待排序序列按主键序列升序或降序排列的结果。
-
公开(公告)号：CN114153854A
公开(公告)日：2022-03-08
申请号：CN202210120960.6
申请日：2022-02-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/22 , G06F16/242 , G06F16/2458
Abstract: 本说明书实施例公开了一种基于秘密分享的多键分组信息获取方法和系统。其中，多个对象的多个信息项对应的数据列垂直分布于多方，各数据列的元素已基于作为排序键的至少两个信息项排列。所述方法由所述多方中的一方执行，其包括：获得排序键对应的数据列的分片；针对每一排序键，基于该排序键对应的数据列的分片与其他方进行秘密分享运算，以获得该排序键对应的分组标记列的分片，其中，分组标记列的元素指示该排序键对应的数据列中元素的分组信息；基于各排序键对应的分组标记列的分片与其他方进行秘密分享运算，得到多键分组标记列的分片，其中，所述多键分组标记列的元素指示各排序键对应的数据列中元素基于各排序键的联合分组信息。
-
公开(公告)号：CN113868671A
公开(公告)日：2021-12-31
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：CN112766514B
公开(公告)日：2021-12-24
申请号：CN202110086857.X
申请日：2021-01-22
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/20
Abstract: 本说明书实施例公开了一种联合训练机器学习模型的方法、系统及装置，用于数据隐私保护，所述方法包括：获取公共训练样本；通过本地待训练模型处理公共训练样本，获得第一预测集；将第一预测集发送给服务器；从服务器获取聚合预测集；基于聚合预测集与公共训练样本的标签值计算第一损失函数，并基于第一损失函数更新模型参数，获得一次更新的本地待训练模型；通过一次更新的本地待训练模型处理私有训练样本，获得第二预测集；基于第二预测集与私有训练样本的标签值计算第二损失函数，并基于第二损失函数更新模型参数，获得二次更新的本地待训练模型；将二次更新的本地待训练模型作为下一轮迭代更新中的本地待训练模型，或者基于此确定最终模型。
-
公开(公告)号：CN113793396A
公开(公告)日：2021-12-14
申请号：CN202111095432.1
申请日：2021-09-17
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生成对抗网络训练图像重构模型的方法。其中，生成对抗网络包括生成器和判别器。所述方法包括：获得多个第一数据对，每个第一数据对包括原始图像和与其对应的脱敏数据，脱敏数据为对原始图像进行图像脱敏的结果；基于多个第一数据对交替训练所述生成器以及所述判别器，并将训练后的生成器作为图像重构模型。
-
Patent Agency Ranking
公开(公告)号：CN111049825B
公开(公告)日：2021-11-30
申请号：CN201911273260.5
申请日：2019-12-12
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可信执行环境的安全多方计算方法和系统。所述方法包括：将与安全多方计算相关的计算程序加载至可信执行环境中；基于所述可信执行环境与其他参与方互相验证各自的与安全多方计算相关的计算程序的完整性；若计算程序完整性验证成功，则在可信执行环境中执行所述计算程序并与其他参与方进行计算结果交互，以完成所述安全多方计算。本说明书将与安全多方计算相关的计算程序加载至可信执行环境运行，避免计算程序被恶意篡改，将适于半诚实攻击模型的安全多方计算提升为适于恶意攻击模型的安全多方计算，达到保护私有数据不被泄露同时计算速度不会降低的目的。
-
公开(公告)号：CN113672352A
公开(公告)日：2021-11-19
申请号：CN202110968564.4
申请日：2021-08-23
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基于容器部署联邦学习任务的方法及装置。该方法通过容器管理平台向多个业务方设备部署联邦学习任务，并且，联邦学习任务通过多个业务方设备执行。在该方法中，容器管理平台在接收到针对联邦学习任务的任务描述文件时，可以基于该任务描述文件，分别生成针对多个业务方设备的第一容器组描述文件，并将生成的多个第一容器组描述文件分别发送至对应的业务方设备。多个业务方设备基于各自接收的第一容器组描述文件创建容器组，并利用创建的容器组执行联邦学习任务。
-
公开(公告)号：CN113407988A
公开(公告)日：2021-09-17
申请号：CN202110580162.7
申请日：2021-05-26
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控制通信量的确定业务数据特征有效值的方法及装置。业务数据属于隐私数据，多个参与方的业务数据可假定拼接成联合数据，其包括多个对象针对多个特征项的特征值。多方分别获取联合数据分片、样本的预测值分片以及模型参数分片。多方中的选定参与方，利用多方中的预测值分片重构完整的预测值数据；利用多方安全计算，通过多方交互，基于多方的联合数据分片和选定参与方的预测值数据，确定多方分别对应的相关性数据分片，其中包括多个特征项之间的相关性数据；采用显著性检验法，通过多方之间的安全交互，基于多方的模型参数分片和相关性数据分片中的对应数据，确定模型参数对应的特征项在提升业务预测模型效果上的有效值。
-
公开(公告)号：CN113379042A
公开(公告)日：2021-09-10
申请号：CN202110835599.0
申请日：2021-07-23
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保护数据隐私的业务预测模型训练方法及装置。在训练过程中，成员设备利用自身持有的对象特征数据，通过业务预测模型进行预测，利用预测结果确定用于更新模型参数的更新参量，其中包括针对业务预测模型的多个计算层的多个子参量；利用多个子参量，将多个计算层划分成第一类计算层和第二类计算层，第一类计算层的子参量值在指定范围以内；对第一类计算层的子参量进行隐私处理，并输出处理后子参量。多个成员设备的处理后子参量可以被聚合成聚合子参量。成员设备可以获取第一类计算层的聚合子参量，并利用聚合子参量和第二类计算层的子参量，对模型参数进行更新。
-
公开(公告)号：CN113360514A
公开(公告)日：2021-09-07
申请号：CN202110753197.6
申请日：2021-07-02
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、装置及系统，在当前同步周期，各个数据方在利用本地训练样本在本地更新完模型对应的待同步参数后，可以利用本地当前的带宽，以及服务方针对单个同步周期的最大等待时长，确定在当前同步周期需向服务器上传的待同步参数数量。之后，可以根据需向服务器上传的待同步参数数量从待同步参数集中选择相应的待同步参数上传至服务方。服务方在最大等待时长到达时，将各个数据方分别发送的若干待同步参数进行聚合，形成同步参数集，反馈给各个数据方用于当前同步周期的数据同步。这种实施方式可以避免通信阻塞，提高训练效率。
-
-
-
-
-
-
-
-
-
Search Results
382
records
(took 0.055 seconds)
