-
公开(公告)号：CN111475848B
公开(公告)日：2022-10-11
申请号：CN202010368216.9
申请日：2020-04-30
Applicant: 北京理工大学
Abstract: 本发明提供了一种保障边缘计算数据隐私的全局和局部低噪声训练方法，包括，步骤1：原始数据输入，通过读取分布式文件系统或者本地磁盘中的数据；步骤2：对符合模型输入要求的输入数据进行全局噪声降低处理；步骤3：进行面向问题的分布式环境下的数据训练；步骤4：冗余数据移除,在数据训练过程中，使用在步骤3中计算得到的梯度值计算压缩点对训练梯度更新的影响程度来移除冗余数据；步骤5：局部噪声添加与降低；步骤6：判断当前迭代是否满足迭代终止条件。所述方法通过降低差分隐私保护中的全局噪声与局部噪声，实现在隐私保护的前提下达到更高的模型精度与可用性。
-
公开(公告)号：CN111475848A
公开(公告)日：2020-07-31
申请号：CN202010368216.9
申请日：2020-04-30
Applicant: 北京理工大学
Abstract: 本发明提供了一种保障边缘计算数据隐私的全局和局部低噪声训练方法，包括，步骤1：原始数据输入，通过读取分布式文件系统或者本地磁盘中的数据；步骤2：对符合模型输入要求的输入数据进行全局噪声降低处理；步骤3：进行面向问题的分布式环境下的数据训练；步骤4：冗余数据移除,在数据训练过程中，使用在步骤3中计算得到的梯度值计算压缩点对训练梯度更新的影响程度来移除冗余数据；步骤5：局部噪声添加与降低；步骤6：判断当前迭代是否满足迭代终止条件。所述方法通过降低差分隐私保护中的全局噪声与局部噪声，实现在隐私保护的前提下达到更高的模型精度与可用性。
-
Search Results
2
records
(took 0.019 seconds)
