-
公开(公告)号：CN119028561A
公开(公告)日：2024-11-26
申请号：CN202310591768.X
申请日：2023-05-23
IPC: G16H50/20 , G06T7/00 , G06V10/75 , G06V10/774 , G06V10/764 , G06V10/40
Abstract: 本申请公开了一种辅助诊断模型训练方法及装置，该方法包括：构建用于训练第一辅助诊断模型的第一训练数据集；将所述第一训练数据集中的样本输入所述第一辅助诊断模型，通过第一优化函数对所述第一辅助诊断模型进行迭代训练，使所述第一辅助诊断模型符合第一优化目标；将所述第一辅助诊断模型和用于标识所述公开图像的标识信息发送至服务端，以使所述服务端基于所述标识信息和所述第一辅助诊断模型训练第二辅助诊断模型，使所述第二辅助诊断模型符合第二优化目标。该方法能够形成较好的训练效果，有益于降低大尺寸的辅助诊断模型的训练难度。
-
公开(公告)号：CN115102693A
公开(公告)日：2022-09-23
申请号：CN202210565096.0
申请日：2022-05-23
Applicant: 清华大学
Abstract: 本发明提供基于多方安全计算的隐私保护序列NJ树构建方法及系统，包括：基于对齐的基因序列，第一参与方和第二参与方在明文条件下计算距离矩阵中各自持有序列对应部分；在第一参与方和第二参与方计算完成后，将计算结果通过秘密共享协议将份额分享给对方；根据双方秘密共享的结果，第一参与方和第二参与方在原对齐序列秘密共享条件下联合计算距离矩阵中剩余部分，并通过秘密共享协议输出距离矩阵计算份额给各方；通过得到的距离矩阵计算结果，在双方只持有距离矩阵的份额矩阵条件下进行NJ树构建。本发明解决了现有NJ树构建过程中容易出现基因序列泄露的问题，以实现在NJ树构建过程中对基因序列的隐私保护。
-
公开(公告)号：CN117997591A
公开(公告)日：2024-05-07
申请号：CN202311808709.X
申请日：2023-12-26
Applicant: 清华大学 , 上海人工智能创新中心
Abstract: 本发明涉及数据安全领域，提供一种基于纵向联邦学习的大模型安全调用方法和装置，所述方法包括：基于纵向联邦学习技术，将目标大模型拆分为第一子模型和第二子模型；利用预设的安全计算方法，将客户端的原始数据在所述第一子模型中进行安全计算，以得到所述第一子模型输出的计算结果；所述第二子模型基于所述计算结果在明文条件下计算输出最终计算结果，完成大模型的调用。解决了现有技术中大模型调用时需要上传原始数据，数据安全性较低的问题，提高了大模型调用过程中输入数据和大模型参数的安全性。
-
公开(公告)号：CN115102693B
公开(公告)日：2025-03-11
申请号：CN202210565096.0
申请日：2022-05-23
Applicant: 清华大学
Abstract: 本发明提供基于多方安全计算的隐私保护序列NJ树构建方法及系统，包括：基于对齐的基因序列，第一参与方和第二参与方在明文条件下计算距离矩阵中各自持有序列对应部分；在第一参与方和第二参与方计算完成后，将计算结果通过秘密共享协议将份额分享给对方；根据双方秘密共享的结果，第一参与方和第二参与方在原对齐序列秘密共享条件下联合计算距离矩阵中剩余部分，并通过秘密共享协议输出距离矩阵计算份额给各方；通过得到的距离矩阵计算结果，在双方只持有距离矩阵的份额矩阵条件下进行NJ树构建。本发明解决了现有NJ树构建过程中容易出现基因序列泄露的问题，以实现在NJ树构建过程中对基因序列的隐私保护。
-
Patent Agency Ranking
公开(公告)号：CN118114786A
公开(公告)日：2024-05-31
申请号：CN202410188692.0
申请日：2024-02-20
Applicant: 清华大学 , 上海人工智能创新中心
Abstract: 本发明提供一种基于知识流动的多模态联邦大模型调节方法及系统，包括：服务器接收客户端的共享数据，将所述共享数据输入至服务器内部署的多模态大模型，生成全局特征表示并发送至客户端；服务器接收经过客户端正则化处理生成的本地表示；服务器将所述本地表示与全局特征表示进行聚合，生成聚合表示；服务器从所述聚合表示中提取知识，生成聚合知识，对所述多模态大模型进行微调，将所述聚合知识发送至客户端。本发明解决了现有多模态数据难以最大化利用的问题。
-
公开(公告)号：CN118013562A
公开(公告)日：2024-05-10
申请号：CN202311808759.8
申请日：2023-12-26
Applicant: 清华大学 , 上海人工智能创新中心
Abstract: 本发明涉及数据安全领域，提供一种基于纵向联邦学习和差分隐私的大模型调用方法和装置，所述方法包括：基于纵向联邦学习技术，将目标大模型拆分为第一子模型和第二子模型；利用预设的安全计算方法，将客户端的原始数据在所述第一子模型中进行计算，以得到所述第一子模型输出的中间数据；将所述中间数据中加入差分隐私噪声，以得到中间计算结果；所述第二子模型基于所述中间计算结果在明文条件下计算输出值，并基于所述输出值向所述大模型发出调用指令。解决了现有技术中大模型调用时数据安全性较低的问题，提高了大模型调用过程中的数据安全性。
-
公开(公告)号：CN115101131A
公开(公告)日：2022-09-23
申请号：CN202210565098.X
申请日：2022-05-23
Applicant: 清华大学
Abstract: 本发明提供一种基于多方安全计算的基因序列对齐方法及系统，包括：第一参与方和第二参与方将持有碱基序列编码为整数序列和二进制序列并分发给对方；第一参与方和第二参与方分别在明文条件下计算自己持有序列两两对齐第一得分，并通过秘密共享协议将第一得分拆分份额发给对方；双方在持有的两方碱基序列份额条件下，联合计算双方序列两两对齐的第二得分，并将第二得分拆分份额分别发送给各方持有；第一参与方和第二参与方根据持有的所有序列两两对齐得分的份额，计算最高的第三得分作为轴心序列；第一参与方和第二参与方分别在秘密份额条件下将自己持有序列与轴心序列对齐。本发明解决了现有明文序列对齐普遍存在的隐私泄露风险的问题。
-
公开(公告)号：CN118013563A
公开(公告)日：2024-05-10
申请号：CN202311808801.6
申请日：2023-12-26
Applicant: 清华大学 , 上海人工智能创新中心
Abstract: 本发明涉及数据安全领域，提供一种基于纵向联邦学习和互信息的大模型调用方法和装置，所述方法包括：基于纵向联邦学习技术，将目标大模型拆分为第一子模型和第二子模型；将客户端的原始数据在所述第一子模型中进行计算，以得到所述第一子模型输出的混淆中间数据；所述混淆中间数据是利用混淆原始数据在第一子模型中进行计算得到的；或者，所述混淆中间数据是利用中间数据进行互信息模型和损失函数正则项保护处理得到的；所述第二子模型基于所述混淆中间数据在明文条件下计算输出值，并基于所述输出值向所述大模型发出调用指令。解决了现有技术中大模型调用时数据安全性较低的问题，提高了大模型调用过程中的数据安全性。
-
公开(公告)号：CN117614641A
公开(公告)日：2024-02-27
申请号：CN202311348080.5
申请日：2023-10-17
Applicant: 清华大学 , 上海人工智能创新中心
Abstract: 本发明提供一种联邦知识蒸馏学习的知识解耦反演攻击方法及装置，其中的方法包括：获取模型输入数据，模型输入数据包括目标公开数据在目标客户端模型的第一logits和目标公开数据在服务器端模型的第二logits；将模型输入数据输入至预先训练的反演神经网络模型，得到目标客户端的私有数据，反演神经网络模型通过公开数据集和客户端‑服务器端配对的logits构成的训练样本数据集进行训练优化得到。该方法通过预先训练的反演神经网络模型重构目标客户端的私有数据，此过程无需梯度，且将私有数据与公共知识完全解耦，实现了客户端私有信息与仅在公共数据上学习的知识的“解耦”，可为联邦知识蒸馏学习算法的安全性提供进一步的指导。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.024 seconds)
