-
公开(公告)号：CN112910624B
公开(公告)日：2022-05-10
申请号：CN202110048591.X
申请日：2021-01-14
Applicant: 东北大学
IPC: H04L9/00 , H04L9/40 , H04L41/147 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于同态加密的密文预测方法，涉及密文预测技术领域。本发明的方法采用C/S架构即客户端/服务端架构实现，包括数据预处理、密钥生成、同态加密、密文RNN运算、同态解密五个步骤，客户端完成数据预处理、密钥生成、数据同态加密后即可上传到云机器学习端，交由云服务器完成密文预测工作；云机器学习端，先基于已公开数据集完成训练阶段，在接收到用户的密文预测请求时，运行密文RNN运算，将得到的密文结果发送给客户端，客户端进行同态解密得到明文。本发明使用同态加密技术来保障用户隐私，克服了现有机器学习模型只能预测明文数据的不足，从根本上解决隐私保护问题。
-
公开(公告)号：CN112883070B
公开(公告)日：2022-05-10
申请号：CN202110086346.8
申请日：2021-01-22
Applicant: 东北大学
IPC: G06F16/2457 , G06F21/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种带有差分隐私的生成式对抗网络推荐方法，涉及个性化推荐技术领域。该方法包括数据预处理；定义(ε,x,λ)～差分隐私进行差分隐私加噪，并引入高斯噪声机制，对数据集中数据进行保护；相关矩阵分解推荐模型CMF，将用户矩阵U和评分矩阵V映射到一个新的语义空间；除了在评级矩阵上实现最佳拟合之外，矩阵U或V中的一个分量也与另一个矩阵V或U中的每个分量紧密相关，采用相关矩阵分解获取推荐列表；搭建训练生成式对抗网络模型GAN，用于推荐列表的生成；将CMF和GAN的推荐列表进行合并，合并规则为保留重复的推荐项目。本发明在满足用户隐私数据的条件下保证足够高的推荐准确度，实现对推荐算法的隐私保护以及提升推荐准确率。
-
公开(公告)号：CN112910624A
公开(公告)日：2021-06-04
申请号：CN202110048591.X
申请日：2021-01-14
Applicant: 东北大学
Abstract: 本发明提供一种基于同态加密的密文预测方法，涉及密文预测技术领域。本发明的方法采用C/S架构即客户端/服务端架构实现，包括数据预处理、密钥生成、同态加密、密文RNN运算、同态解密五个步骤，客户端完成数据预处理、密钥生成、数据同态加密后即可上传到云机器学习端，交由云服务器完成密文预测工作；云机器学习端，先基于已公开数据集完成训练阶段，在接收到用户的密文预测请求时，运行密文RNN运算，将得到的密文结果发送给客户端，客户端进行同态解密得到明文。本发明使用同态加密技术来保障用户隐私，克服了现有机器学习模型只能预测明文数据的不足，从根本上解决隐私保护问题。
-
公开(公告)号：CN112883070A
公开(公告)日：2021-06-01
申请号：CN202110086346.8
申请日：2021-01-22
Applicant: 东北大学
IPC: G06F16/2457 , G06F21/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种带有差分隐私的生成式对抗网络推荐方法，涉及个性化推荐技术领域。该方法包括数据预处理；定义(ε,x,λ)～差分隐私进行差分隐私加噪，并引入高斯噪声机制，对数据集中数据进行保护；相关矩阵分解推荐模型CMF，将用户矩阵U和评分矩阵V映射到一个新的语义空间；除了在评级矩阵上实现最佳拟合之外，矩阵U或V中的一个分量也与另一个矩阵V或U中的每个分量紧密相关，采用相关矩阵分解获取推荐列表；搭建训练生成式对抗网络模型GAN，用于推荐列表的生成；将CMF和GAN的推荐列表进行合并，合并规则为保留重复的推荐项目。本发明在满足用户隐私数据的条件下保证足够高的推荐准确度，实现对推荐算法的隐私保护以及提升推荐准确率。
-
-
-
Search Results
4
records
(took 0.018 seconds)
