-
公开(公告)号：CN114301591B
公开(公告)日：2024-06-18
申请号：CN202111632774.2
申请日：2021-12-28
Applicant: 支付宝(杭州)信息技术有限公司
IPC: H04L9/08
Abstract: 本说明书实施例中提供了一种不经意传输协议的执行方法、装置及系统。由该系统执行的方法包括：接收方根据执行轮次i，获取随机选择以及来自第三方的选择标签，其中选择标签由第三方基于随机选择从按顺序排列的多个随机标签中选择，多个随机标签由部署在第三方的第一随机数生成器基于执行轮次i生成；接收方确定待获取的目标数据在按顺序排列的多条数据中的排列序号；接收方向发送方发送执行轮次i以及排列序号与随机选择间的差值；发送方根据执行轮次i，获取其部署的第一随机数生成器基于执行轮次i生成的多个随机标签；发送方基于差值和多个随机标签，接收方基于选择标签，对多条数据联合执行第i次不经意传输协议。
-
公开(公告)号：CN112989420B
公开(公告)日：2022-05-10
申请号：CN202110350385.4
申请日：2021-03-31
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种保护数据隐私的相关系数确定方法和系统。其中，方法应用于多方安全计算中的某一计算方，某一计算方持有第一变量值向量，方法包括：基于第一变量值向量，计算得到第一差值向量；基于第一差值向量，与其他计算方协同运算，获得第一变量值向量与第二变量值向量之间的协方差的第一分片；其中，其他计算方持有第二变量值向量；基于第一变量值向量，计算得到第一标准差；第一标准差为第一变量值向量中元素的标准差；基于第一标准差，与其他计算方协同运算，获得第一乘积的第一分片；基于协方差的第一分片和第一乘积的第一分片，与其他计算方协同运算，获得相关系数的第一分片。
-
公开(公告)号：CN113111569A
公开(公告)日：2021-07-13
申请号：CN202110250396.5
申请日：2021-03-08
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F30/27 , G06F7/58 , G06K9/62 , G06F111/08
Abstract: 本说明书实施例公开了一种乱序处理方法、模型训练方法、装置和计算设备。所述乱序处理方法包括：将数据集拆分为多个第一子数据集；对第一子数据集中的记录进行乱序处理；将乱序后的第一子数据集中的记录分配到多个第二子数据集中，每个第二子数据集包括乱序后的各第一子数据集中记录；对第二子数据集中的记录进行乱序处理；将乱序后的第二子数据集合成为乱序后的数据集。本说明书实施例可以在资源有限的情况下，对大规模的数据集进行乱序处理，还可以使用乱序后的大规模的数据集训练模型。
-
公开(公告)号：CN112468285B
公开(公告)日：2021-04-27
申请号：CN202110133473.9
申请日：2021-02-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供了基于隐私保护的数据处理方法、装置和服务器。基于该方法，第一服务器在接收到包含有按照第一顺序排列的数据标签的密文数据的第二标签列后，先根据所持有的包含有按照第一顺序排列的特征数据的数据值的第一特征列，建立对应关系；再根据特征数据的数据值，对第一特征列进行重新排列，得到第二特征列；并基于第二特征列将特征数据的数据值划分多个数据组；进而结合对应关系，统计得到数据组的数据标签的密文和；再接收第二服务器发起的第一询问请求，并通过第一询问请求向第二服务器返回数据组的数据标签的密文和，从而使得参与方在安全性要求较高的单向网络的环境中能够联合进行基于隐私保护的关于数值型特征数据的数据处理。
-
公开(公告)号：CN111967035B
公开(公告)日：2021-04-27
申请号：CN202011144330.X
申请日：2020-10-23
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/60
Abstract: 本说明书实施例公开了一种模型训练方法、装置和电子设备。所述方法包括：第一方根据特征数据和原始模型参数的第一份额与第二方秘密分享第一乘积，得到第一乘积的第一份额；向第三方发送第一乘积的第一份额；接收第三方发来的激励函数的取值的第一份额；根据特征数据和所述取值的第一份额与第二方秘密分享损失函数的梯度，得到所述梯度的第一份额；根据特征数据和所述取值的第一份额与第二方秘密分享海森矩阵，得到海森矩阵的第一份额；若海森矩阵的条件数满足预设条件，根据原始模型参数的第一份额、所述梯度的第一份额和海森矩阵的第一份额与第二方秘密分享新的模型参数，得到新的模型参数的第一份额。本说明书实施例可以保护数据隐私。
-
Patent Agency Ranking
公开(公告)号：CN112597525A
公开(公告)日：2021-04-02
申请号：CN202110237534.6
申请日：2021-03-04
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供了基于隐私保护的数据处理方法、装置和服务器。第一服务器根据第二服务器发送的第一标签列，确定出特征数据所对应的数据标签的密文数据；再根据数据值排列特征数据，得到第一特征列；基于第一特征列，将特征数据划分为多个第一数据组，并统计出第一数据组的数据标签的密文和；第二服务器获取上述数据，并通过解密得到第一数据组的数据标签的明文和；再根据预设的卡方分组规则，对第一数据组进行进一步合并，得到合并后的第二数据组的数据标签的明文和，以及合并参数；第一服务器获取并根据上述数据计算出特征数据的信息值。从而可以在保护双方数据隐私的前提下，通过合作完成符合要求的数据分箱，并确定出特征数据的信息值。
-
公开(公告)号：CN112100679A
公开(公告)日：2020-12-18
申请号：CN202011276388.X
申请日：2020-11-16
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/62 , G06F21/60 , G06F16/27 , G06F16/2457
Abstract: 本说明书提供了基于隐私保护的数据处理方法、装置和服务器。基于该方法，持有多种特征数据的第二服务器在接收到包含有按照标识信息排列的数据标签的密文数据的第一标签列后，可以根据多种特征数据的数据值的排列顺序对第一标签列进行多种排列，得到对应多种特征数据的多个第二标签列；再基于上述多个第二标签列和预设的分箱规则，确定出对应多种特征数据的数据箱中的数据标签的密文数据的和，并反馈给第二服务器：第二服务器通过解密，得到并向第一服务器反馈相应的明文数据的和。进而第一服务器可以根据上述明文数据的和，计算出各种特征数据的信息值；并根据特征数据的信息值、特征数据之间的相关性系数，筛选出符合要求的特征数据。
-
公开(公告)号：CN112100678A
公开(公告)日：2020-12-18
申请号：CN202011276387.5
申请日：2020-11-16
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 周亚顺
IPC: G06F21/62 , G06F16/27 , G06F16/22 , G06F16/2458
Abstract: 本说明书提供了基于隐私保护的数据处理方法、装置和服务器。基于该方法，第一服务器可以根据与当前数据箱相关的分箱参数，在所持有的根据数据值排列的第一特征列上先确定出关于当前数据箱的第一参考分位点，并获取对应的第一参考值；同时，接收第二服务器基于相同方式所得到的第二参考值；并根据基于第一参考值和第二参考值得到的第一比较结果，确定出当前数据箱在第一特征列上的当前分位点；同时，第二服务器可以按照上述类似方式确定出当前数据箱在第二特征列上的当前分位点。从而使得第一服务器和第二服务器可以在不向对方泄露所持有的特征数据、保护数据隐私的前提下，安全地完成横向场景中的符合要求的特征数据的数据分箱。
-
公开(公告)号：CN112990475B
公开(公告)日：2022-05-06
申请号：CN202110159936.9
申请日：2021-02-05
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种基于多方安全计算的模型训练方法和系统。其中，所述方法包括应用于第一计算方，所述方法包括：基于模型参数矩阵的第一分片，与其他计算方协同运算，获得第一乘积矩阵的第一分片；基于第一乘积矩阵的第一分片，与其他计算方协同运算，获得激活矩阵的第一分片；基于激活矩阵的第一分片和标签矩阵，与其他计算方协同运算，获得当前轮的梯度矩阵的第一分片；基于前一轮的动量梯度矩阵的第一分片与当前轮的梯度矩阵的第一分片，确定当前轮的动量梯度矩阵的第一分片；基于模型参数矩阵的第一分片与当前轮的动量梯度矩阵的第一分片，确定更新后的模型参数矩阵的第一分片。
-
公开(公告)号：CN112990260B
公开(公告)日：2022-04-26
申请号：CN202110160451.1
申请日：2021-02-05
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种基于多方安全计算的模型评估方法和系统，以在保护双方数据隐私的前提下，实现模型评估。应用于第一计算方，所述第一计算方持有模型参数矩阵的第一分片和两组或以上评估样本的标签；所述方法包括：基于模型参数矩阵的第一分片，与其他计算方协同运算，并行获得两个或以上第一乘积矩阵的第一分片；基于两个或以上第一乘积矩阵的第一分片，与所述其他计算方协同运算，获得所述两组或以上评估样本的预测值；基于所述两组或以上评估样本的预测值及其标签，获得所述模型的评估参数。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.067 seconds)
