-
公开(公告)号：CN118966382A
公开(公告)日：2024-11-15
申请号：CN202411031498.8
申请日：2024-07-30
Applicant: 哈尔滨工业大学 , 上海浦东发展银行股份有限公司
Abstract: 本发明公开了基于同态加密的线性回归模型联邦学习训练方法，属于隐私数据加密计算技术领域。解决了现有技术中传统的隐私保护机器学习模型训练方法在同态加密阶段通讯量较大的问题；本发明通过在纵向联邦学习场景下，用户方和服务方采用叠加矩阵乘法协议的加性同态加密算法对线性回归模型进行训练即对初始参数和输入编码更新，得到更新后的密文多项式；通过协调方解密更新后的密文多项式，并发送给服务方和用户方根据线性回归模型选用的梯度下降方法更新梯度和损失函数，根据判定条件决定是否结束训练，重复上述步骤直到线性回归模型训练结束。本发明有效提升了多方隐私数据同态加密计算的安全性，缩短了计算时间，可以应用于隐私数据加密计算。
-
公开(公告)号：CN118734212A
公开(公告)日：2024-10-01
申请号：CN202410729183.4
申请日：2024-06-06
Applicant: 上海浦东发展银行股份有限公司 , 哈尔滨工业大学
IPC: G06F18/2433 , G06F18/213 , G06N3/042 , G06N3/0895
Abstract: 本发明提出一种基于多视图对比学习的半监督图异常检测方法，属于图节点异常检测技术领域。包括：S1.基于节点特征和属性图的边进行采样，生成图节点属性与网络结构的增强图；S2.将图节点属性和网络结构编码为节点嵌入表示；S3.基于节点嵌入表示构建多视图图对比模块，挖掘异常信息；S4.构建图节点异常检测模型，利用图异常训练数据集训练图节点异常检测模型。解决缺少使用极少标签获得较高的检测结果的问题，本发明结合多视角对比，即样本‑样本、样本‑实例和正常‑异常对比，以捕获属性图区分正常节点和异常节点的信息，实现利用少量标记数据来增强大量未标记数据嵌入表示，提高正常节点和异常节点的区分度，提升图异常检测性能。
-
公开(公告)号：CN118606987A
公开(公告)日：2024-09-06
申请号：CN202410638597.6
申请日：2024-05-22
Applicant: 上海浦东发展银行股份有限公司 , 哈尔滨工业大学
Abstract: 本发明公开了一种基于深度学习和因子分解机的纵向联邦服务推荐方法，属于服务计算与服务推荐技术领域。解决了现有技术中传统的纵向联邦因子分解机算法无法应用于双方用户数据一对一的场景的问题；本发明服务提供商引入可信第三方，采用隐私集合求交技术获取双方共同的用户空间并进行用户对齐；服务提供商使用本地深度学习模型处理用户样本数据并通过注意力模型和因子分解机模型提取深度数据特征，得到中间结果；服务提供商通过掩码技术对基于纵向联邦因子分解机算法得到的密文状态计算结果进行解密，得到实际的预测结果和前向梯度并更新本地深度学习模型和因子分解机模型的参数。本发明有效提升了服务推荐的效率，可以应用于服务推荐。
-
公开(公告)号：CN118606986A
公开(公告)日：2024-09-06
申请号：CN202410638595.7
申请日：2024-05-22
Applicant: 上海浦东发展银行股份有限公司 , 哈尔滨工业大学
Abstract: 本发明公开了一种基于纵向联邦多层感知机和持续学习的服务推荐方法，属于服务计算与服务推荐技术领域。解决了现有技术中传统的服务推荐算法无法充分利用同一用户在多个服务提供商中的全部数据的问题；本发明在出现推荐任务需要进行联邦学习训练或推理时，服务提供商通过协商引入可信第三方；服务提供商之间通过可信第三方采用隐私集合求交技术进行求交，获取双方共同的用户空间；基于共同的用户空间本地采用具有动态结构的多层感知机计算得到中间结果；服务提供商对中间结果进行加密，通过密文数据交互得到计算结果和回传梯度；最终服务提供商通过掩码技术获得实际的计算结果和回传梯度。本发明有效提升了数据应用的全面性，可以应用于服务推荐。
-
公开(公告)号：CN118397348A
公开(公告)日：2024-07-26
申请号：CN202410506095.8
申请日：2024-04-25
Applicant: 哈尔滨工业大学 , 上海浦东发展银行股份有限公司
IPC: G06V10/764 , G06V10/774 , G06N20/20
Abstract: 一种用于图像分类的部分蒸馏联邦学习方法、电子设备及存储介质，属于图像分类处理技术领域。为提高客户端图像分类模型的准确性，本发明对服务器和图像分类客户端进行初始化得到参与训练的图像分类客户端，使用本地图像分类模型对蒸馏数据集中的蒸馏样本生成特征得到图像分类客户端本地知识集合上传到服务器；服务器根据接收到的图像分类客户端本地知识集合，在蒸馏数据集上训练相应的服务器模型；服务器为下一轮计算全局基础模型；对蒸馏数据集中的蒸馏样本生成部分知识集合，发送到图像分类客户端；图像分类客户端接收到生成的部分知识集合，计算部分蒸馏系数，进行图像分类客户端模型参数更新；重复直至执行完所有的通信轮次得到图像分类结果。
-
Patent Agency Ranking
公开(公告)号：CN118734213A
公开(公告)日：2024-10-01
申请号：CN202410729185.3
申请日：2024-06-06
Applicant: 上海浦东发展银行股份有限公司 , 哈尔滨工业大学
IPC: G06F18/2433 , G06F18/213 , G06N3/042 , G06N3/084 , G06N3/098
Abstract: 本发明提出一种隐私保护的图联邦节点异常检测方法，属于联邦学习技术领域。包括：S1.构建图节点异常检测模型，通过最小化损失函数得到客户端本地模型参数和累积梯度信息；S2.模型输出各节点的异常分数，客户端对模型使用分层相关性传播算法，得到各神经元的相关性权重，获得隐私保护梯度信息，将信息发送到云服务器；S3.云服务器聚合运算，使用聚合后信息对全局模型更新；将全局模型参数广播下发至客户端；S4.迭代执行S1至S3直到达到预设的模型聚合次数后停止执行，完成隐私保护的图联邦节点异常模型的训练。解决图联邦节点异常检测方法不能有效且严格地保护参与方的图数据隐私性和参数噪音加强所带来的精度损失的问题。
-
公开(公告)号：CN118944872A
公开(公告)日：2024-11-12
申请号：CN202411031500.1
申请日：2024-07-30
Applicant: 哈尔滨工业大学 , 上海浦东发展银行股份有限公司
Abstract: 本发明公开了基于向量不经意估值的FATE联邦隐私集合求交方法及系统，属于隐私集合求交技术领域。解决了现有技术中传统的隐私集合求交方法无法应用于恶意场景且效率低的问题；本发明包括以下步骤：S1.基于带噪声奇偶性学习问题通过初始化和拓展生成VOLE元组，得到VOLE协议；S2.第一参与方和第二参与方运行VOLE协议，得到向量和标量，结合设置伪随机函数的估值密钥构建OPRF协议；S3.基于OPRF协议识别出第一参与方和第二参与方所持有的集合中的相同元素，实现隐私集合求交。本发明有效减少了计算量，避免了恶意安全下的隐私泄漏，具备更高的运算效率和更强的安全性，可以应用于在半诚实场景进行隐私集合求交。
-
公开(公告)号：CN118860281A
公开(公告)日：2024-10-29
申请号：CN202410855114.8
申请日：2024-06-28
Applicant: 上海浦东发展银行股份有限公司
Abstract: 本文涉及一种基于云原生存储数据卷的共享访问方法及系统。包括在Kubernetes平台的目标工作节点上部署目标容器组时，判断是否已部署有与目标容器组存在共享访问需求的容器组；未部署则将本地的持久化卷挂载在目标容器组上，以便于目标容器组访问持久化卷中的数据；已部署则运行NFS服务进程，生成持久化卷对应的NFS共享卷，将NFS共享卷挂载在目标容器组上，以便于目标容器组通过NFS共享卷访问持久化卷中的数据。本文实现兼顾本地共享文件系统的Kubernetes平台数据卷，在其后端实现本地文件系统和共享文件系统的转换，摒弃了挂载外部网络文件系统，从而降低了访问延时，降低了使用成本和运维成本。
-
公开(公告)号：CN115757463A
公开(公告)日：2023-03-07
申请号：CN202211435188.3
申请日：2022-11-16
Applicant: 上海浦东发展银行股份有限公司
IPC: G06F16/242 , G06F16/2453 , G06F16/248
Abstract: 本申请涉及一种数据查询方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：首先服务器接收数据查询请求，然后根据数据查询请求获取预聚合数据，预聚合数据是对待消费数据进行局部聚合得到的，最后输出预聚合数据作为数据查询结果。本申请提供的方法通过将待消费数据进行局部聚合得到预聚合数据，并将预聚合数据作为查询结果输出，能够提高数据查询的时效性和准确性。
-
公开(公告)号：CN112699249A
公开(公告)日：2021-04-23
申请号：CN202011638630.3
申请日：2020-12-31
Applicant: 上海浦东发展银行股份有限公司
IPC: G06F16/36 , G06F40/295 , G06F40/216 , G06F16/35 , G06Q10/06
Abstract: 本说明书实施例提供了一种基于知识图谱的信息处理方法、装置、设备及存储介质，该方法包括：基于指定数据形成命名实体属性表和命名实体关系表；指定数据包括非结构化数据；根据命名实体属性表和命名实体关系表构建命名实体关系图谱；对命名实体关系图谱进行图表示学习，获得命名实体关系图谱中的风险节点及非风险节点的分布；对风险节点进行综合风险传导预测，获得风险节点的综合风险传导概率值；并对风险节点进行单一风险事件影响分析，以预测单一风险事件对风险源的指定度以内节点的影响程度值；将分布、综合风险传导概率值及影响程度值增加至命名实体关系图谱中。本说明书实施例可以提高命名实体的信息认知能力和风险识别能力。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.057 seconds)
