公开(公告)号：CN116127371B

公开(公告)日：2023-09-08

申请号：CN202211554437.0

申请日：2022-12-06

Applicant: 东北林业大学

Inventor： 谢怡宁 ,  王孝东 ,  康庚 ,  刘九庆 ,  周维

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/08 ,  G06N3/0464

Abstract: 融合先验分布与同态混沌加密的多用户模型联合迭代方法，本发明涉及深度学习模型联合迭代技术中，用户本地数据分布差异较大以及隐私保护的问题。训练深度学习模型应用于各行各业中的不同任务处理已愈发广泛。然而模型训练依赖于足够数量与质量的数据集。然而数据经常难以采集以及隐私保护愈发重要，导致模型泛化性与准确性难以达到要求，本发明提出一种多用户模型联合迭代方法，其主要思想是利用先验分布弥合多用户本地数据分布差异，并混合两种加密技术保护数据隐私，从而实现模型联合迭代。该方法能有效降低模型训练难度，提升模型的泛化性能以及准确度。本发明应用于深度学习模型训练中的多用户模型联合迭代。

公开(公告)号：CN116127371A

公开(公告)日：2023-05-16

申请号：CN202211554437.0

申请日：2022-12-06

Applicant: 东北林业大学

Inventor： 谢怡宁 ,  王孝东 ,  康庚 ,  刘九庆 ,  周维

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/08 ,  G06N3/0464

Abstract: 融合先验分布与同态混沌加密的多用户模型联合迭代方法，本发明涉及深度学习模型联合迭代技术中，用户本地数据分布差异较大以及隐私保护的问题。训练深度学习模型应用于各行各业中的不同任务处理已愈发广泛。然而模型训练依赖于足够数量与质量的数据集。然而数据经常难以采集以及隐私保护愈发重要，导致模型泛化性与准确性难以达到要求，本发明提出一种多用户模型联合迭代方法，其主要思想是利用先验分布弥合多用户本地数据分布差异，并混合两种加密技术保护数据隐私，从而实现模型联合迭代。该方法能有效降低模型训练难度，提升模型的泛化性能以及准确度。本发明应用于深度学习模型训练中的多用户模型联合迭代。