-
公开(公告)号：CN118803164A
公开(公告)日：2024-10-18
申请号：CN202410772693.X
申请日：2024-06-14
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加密隐私图像的方法及装置，为了降低加密密钥的数量，打破密钥数量和用户数量的强线性关系，提出了新的密钥匹配机制。简单来说，可以将用户按照索引分组，各个索引分别对应各个密钥，针对待处理的当前隐私图像，根据其相应特征向量各个元素之间的大小关系为其确定所对应的索引，从而获取相应的加密密钥进行加密。这种实施方式可以降低密钥的生成数量，从而降低分配密钥的内存消耗。
-
公开(公告)号：CN118520966A
公开(公告)日：2024-08-20
申请号：CN202310158968.6
申请日：2023-02-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00 , G06F18/27 , G06F18/214 , G06F21/60 , G06F21/62
Abstract: 本说明书实施例提供一种联合训练逻辑回归模型的方法及装置。该方法由n个参与方中任意的第i个参与方执行，包括：先与其他的n‑1个参与方共同进行针对训练样本集的秘密分享分片，得到第i个特征分片和第i个标签分片；进一步，基于这两个分片，与其他的n‑1个参与方联合进行对应逻辑回归模型的第i个参数分片的多轮次迭代更新，模型参数分片的迭代更新可以按需选用设计的多种模型优化器之一，例如，适用于小规模数据的安全迭代重加权最小二乘法、适用于大规模数据的安全批次迭代重加权最小二乘法等，如此可以提高执行效率。另外，各种模型优化器涉及的密文运算为秘密分享运算，使得执行更加高效。
-
公开(公告)号：CN114723069B
公开(公告)日：2024-08-13
申请号：CN202210397566.7
申请日：2022-04-15
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00
Abstract: 本说明书实施例提出了一种参数更新方法、装置和电子设备，其中，上述参数更新方法中，服务器获取待训练的模型之后，将上述待训练的模型分割为训练节点子模型和服务器子模型，然后将上述训练节点子模型发送给参与训练的训练节点，接收训练节点上传的输出层矩阵，根据上述输出层矩阵更新服务器子模型的学习率，最后根据上述输出层矩阵和上述服务器子模型的学习率，利用后向传播更新服务器子模型和训练节点子模型的参数，从而可以实现调整训练成员所对应的模型学习率，降低差异性较大的训练成员对服务器模型更新的干扰，提高服务器模型的收敛速度。
-
公开(公告)号：CN114721804B
公开(公告)日：2024-08-13
申请号：CN202210397549.3
申请日：2022-04-15
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F9/48
Abstract: 本说明书实施例提出了一种任务调度方法、装置和电子设备，其中，上述任务调度方法中，获取MPC训练任务描述文件之后，将MPC训练任务描述文件拆分为子任务描述文件，然后根据上述子任务描述文件，对上述MPC训练任务拆分获得的子任务进行调度，记录调度成功的子任务的信息。最后，根据记录的信息，确定上述MPC训练任务拆分获得的子任务均调度成功之后，将拆分获得的子任务下发给对应的执行机构，从而可以实现将MPC训练任务拆分为多个K8s支持的单方任务来执行，达到运行MPC多方任务的效果，使K8s适用于MPC场景；并且上述方法可以实现将同一个MPC训练任务下的多个子任务一并下发，提高MPC训练任务的执行成功率，避免执行机构的算力浪费。
-
公开(公告)号：CN115049011B
公开(公告)日：2024-07-26
申请号：CN202210737329.0
申请日：2022-06-27
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检测联邦学习的训练成员模型贡献度的方法及装置，尤其适用于横向联邦学习过程中，对各个训练成员数据质量检测或评估训练成员本地隐私数据对模型的整体质量影响。该方案可由服务方执行，在单个同步周期，从各个训练成员接收各个局部模型分别对应的各个局部参数集，然后按照预定同步策略对各个局部参数集进行融合，得到与全局模型对应的全局参数集，再分别检测各个局部参数集与所述全局参数集之间的各个相关系数，并利用各个相关系数确定各个训练成员在当前同步周期分别对应的各个当前贡献度，从而确定各个训练成员在联邦学习过程中的模型贡献度。该方式可以更准确地衡量训练成员数据的重要性。
-
Patent Agency Ranking
公开(公告)号：CN118333139A
公开(公告)日：2024-07-12
申请号：CN202410461861.3
申请日：2024-04-16
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隐私的业务预测模型训练方法、装置及系统。在任意一轮联合训练中，成员设备采用多步迭代对本地模型进行训练，任意一步迭代训练包括：基于裁剪阈值确定初始模型参数是否超出预设空间，如果超过则减小学习率，利用本地数据通过本地模型进行预测，基于预测结果确定第一梯度；基于第一梯度与减小后学习率确定减小后第一梯度，从而对初始模型参数进行更新，得到本步迭代的更新后模型参数。在多步迭代执行之后，该成员设备可以获取到更新后模型参数，并采用基于裁剪阈值进行的差分隐私操作，确定更新后模型参数对应的加密模型数据。多个成员设备基于各自的加密模型数据，通过设备之间的数据交互进行本轮联合训练。
-
公开(公告)号：CN118276818A
公开(公告)日：2024-07-02
申请号：CN202410425983.7
申请日：2024-04-09
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隐私数据的安全加法方法和装置，属于隐私数据的第一浮点数和第二浮点数分别表示为第一四元组和第二四元组的形式，第一方和第二方分别持有四元组中各个元素的一个分片，方法包括：第一方本地执行第一四元组中第一指数的本方分片减去第二四元组中第二指数的本方分片，得到指数差值的本方分片；根据指数差值的本方分片，通过与第二方联合执行的安全比较运算，确定指数差值是否大于预设阈值的比较结果；如果比较结果指示出指数差值大于预设阈值，则将第一四元组的各个元素的分片，确定为第一浮点数和第二浮点数的加法结果对应的第三四元组的各个元素的分片。能够在保证高精度的同时降低通信量。
-
公开(公告)号：CN118152808A
公开(公告)日：2024-06-07
申请号：CN202410310852.4
申请日：2024-03-15
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/24 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06Q10/04 , G06F18/22 , G06F18/25 , G06F21/62
Abstract: 本说明书实施例提供了一种双语言模型的训练方法及装置。语言模型包括干净语言模型和对应的对抗语言模型。其中，用于进行模型训练的训练集中包含多组文本样本，文本样本组包含具有相同真实标签的干净样本和对抗样本。采用干净样本及其真实标签对干净语言模型进行更新，采用对抗样本及其真实标签对对抗语言模型进行更新。接着，通过干净语言模型提取文本样本组中样本的第一文本表征，通过对抗语言模型提取文本样本组中样本的第二文本表征；基于第一文本表征和第二文本表征，确定用于进行双模型对齐的预测损失，基于预测损失更新双语言模型。文本样本中包含隐私数据，在对文本样本进行处理时应进行隐私保护。
-
公开(公告)号：CN118133330A
公开(公告)日：2024-06-04
申请号：CN202311860304.0
申请日：2023-12-29
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保护隐私数据的安全分片扩展方法和装置，方法包括：第一方从第三方接收通过目标拆分方式分别对随机数和该随机数的最高位进行拆分产生的第一随机分片和第一高位分片；与第三方协同生成隐私数据在第二环中的三方秘密分享的一个结果分片；利用本方持有的隐私数据的初始分片，本地构造隐私数据在第一环中的两方秘密分享的一个数据分片；利用第一随机分片、第一高位分片和数据分片，与第二方进行第一两方安全计算，得到隐私数据在第二环中的两方秘密分享的一个转换分片；利用转换分片和结果分片，与第二方进行第二两方安全计算，得到隐私数据在第二环中的三方秘密分享的另一个结果分片。能够既保护隐私数据，又具有高效率。
-
公开(公告)号：CN117648968A
公开(公告)日：2024-03-05
申请号：CN202311546596.0
申请日：2023-11-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/098 , G06N3/0499 , G06N3/045 , G06F18/213 , G06F18/25 , G06F18/241 , G06N3/096
Abstract: 本说明书实施例提供一种预测模型的训练方法，应用于多方中的第一方。该方法包括：基于多方中共有样本的第一原始特征和样本标签，与多方中的其他方进行垂直拆分学习，使得多方对应得到训练好的多个特征提取模型，并且，第一方还得到训练好的融合特征处理模型；获取共有样本的目标融合特征，其通过对多个特征提取模型针对共有样本输出的多个提取特征进行融合处理而得到；利用目标模型处理第一原始特征得到目标提取特征；利用训练好的融合特征处理模型处理目标提取特征，得到目标预测结果；基于目标预测结果和对应的样本标签，以及目标提取特征和目标融合特征，训练目标模型，该目标模型用于和融合特征处理模型构建出训练好的预测模型。
-
-
-
-
-
-
-
-
-
Search Results
189
records
(took 0.076 seconds)
