-
公开(公告)号：CN117095227A
公开(公告)日：2023-11-21
申请号：CN202311116879.1
申请日：2023-08-31
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于非交集差分隐私联邦学习的卷积神经网络训练方法，主要解决现有技术训练的卷积神经网络模型隐私保护能力低、模型分类精度低的问题。其实现方案为：构建联邦学习系统；客户端初始化联邦学习训练数据集；客户端初始化卷积神经网络模型；客户端初始化本地卷积神经网络模型及本地隐私预算值；客户端对本地卷积神经网络模型进行迭代训练；客户端计算训练后本地模型的非交集元素；客户端根据非交集元素结果对量化后本地模型添加噪声；中央服务器通过聚合添加噪声后的本地卷积神经网络模型对卷积神经网络模型进行迭代训练，得到训练后的卷积神经网络模型。本发明训练的卷积神经网络隐私保护能力强、分类精度高，可用于图像分类。
-
公开(公告)号：CN115358418A
公开(公告)日：2022-11-18
申请号：CN202211010854.9
申请日：2022-08-23
Applicant: 西安电子科技大学
Abstract: 本发明提出一种基于模型扰动的联邦学习分类模型训练方法，实现步骤为：构建联邦学习分类系统；客户端初始化联邦学习本地分类模型及训练参数；客户端对本地分类模型进行迭代训练，并对本地分类模型进行扰动；中央服务器获取联邦学习系统的训练结果。本发明客户端根据每个卷积层所提取的训练数据集的特征类型的不同以及每个全连接层对模型预测分类效果的影响的不同，为本地分类模型的不同模型层分配不同的隐私预算值，能够控制每个模型层的扰动程度，避免了模型层的扰动程度过大或者过小对模型的影响，进而提高了联邦学习分类模型的隐私保护能力和预测分类精度。
-
Patent Agency Ranking
公开(公告)号：CN113591145B
公开(公告)日：2024-02-23
申请号：CN202110856897.8
申请日：2021-07-28
Applicant: 西安电子科技大学
Abstract: 一种基于差分隐私和量化的联邦学习全局模型训练方法，其步骤为：中央服务器下发预训练的联邦学习全局模型，生成每个本地用户的本地模型梯度，对每个本地用户的本地模型梯度依次进行添加噪声，阈值量化，压缩量化，将压缩量化后的本地模型梯度上传至中央服务器，中央服务器对上传的本地模型梯度进行加权聚合并更新全局模型后下发给每个本地用户，当每个本地用户的隐私预算值耗尽或者联邦学习全局模型收敛时结束训练。本发明的方法在不损失联邦学习全局模型精确度的前提下，保护了本地用户的隐私，降低了传输过程中的通信开销，提高了联邦学习全局模型的训练效率。
-
公开(公告)号：CN113591145A
公开(公告)日：2021-11-02
申请号：CN202110856897.8
申请日：2021-07-28
Applicant: 西安电子科技大学
Abstract: 一种基于差分隐私和量化的联邦学习全局模型训练方法，其步骤为：中央服务器下发预训练的联邦学习全局模型，生成每个本地用户的本地模型梯度，对每个本地用户的本地模型梯度依次进行添加噪声，阈值量化，压缩量化，将压缩量化后的本地模型梯度上传至中央服务器，中央服务器对上传的本地模型梯度进行加权聚合并更新全局模型后下发给每个本地用户，当每个本地用户的隐私预算值耗尽或者联邦学习全局模型收敛时结束训练。本发明的方法在不损失联邦学习全局模型精确度的前提下，保护了本地用户的隐私，降低了传输过程中的通信开销，提高了联邦学习全局模型的训练效率。
-
公开(公告)号：CN117056785A
公开(公告)日：2023-11-14
申请号：CN202311113980.1
申请日：2023-08-31
Applicant: 西安电子科技大学
IPC: G06F18/24 , G06F18/214 , G06N3/098 , G06N3/0464
Abstract: 本发明提出一种基于自适应模型扰动的联邦学习分类模型训练方法，实现步骤为：构建联邦学习系统；客户端获取训练样本集；服务器端获取全局测试样本集，初始化全局分类模型和强化学习模型；服务器为客户端自适应分配隐私预算；客户端对本地分类模型进行迭代训练；客户端对本地分类模型进行自适应扰动；服务器聚合本地分类模型的权值参数；服务器获取联邦学习分类模型的训练结果。本发明服务器采用强化学习算法，根据存储的本地分类模型性能、隐私预算和奖励信息，为本地分类模型自适应分配隐私预算，控制本地分类模型添加的噪声，避免了扰动程度过大或过小对模型的影响，进而提高了联邦学习的隐私保护能力和性能。
-
公开(公告)号：CN116796059A
公开(公告)日：2023-09-22
申请号：CN202310370622.2
申请日：2023-04-07
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06F16/901 , G06F16/906 , G06N3/0464 , G06N3/098
Abstract: 本发明提出一种本地二部图的去中心联邦图神经网络推荐方法，实现步骤为：构建去中心联邦推荐系统；基于通信距离对客户端进行分簇；构造每个簇内客户端的本地二部图；获取训练数据集和测试数据集；客户端初始化本地联邦推荐模型，并对其进行迭代训练；获取用户对物品的推荐结果。本发明客户端协商簇头以及全局聚合节点负责簇内与簇间模型参数聚合，一旦簇头或全局聚合节点掉线可重新选举，防止模型训练失败；客户端之间实现隐私保护求交方法，获取与簇内客户端的物品交集集合，在原有的左侧为客户端顶点右侧为该客户端交互的物品顶点的连线图上，添加左侧为簇内客户端顶点右侧为物品交集顶点的连线，使本地二部图更加稠密，获取推荐准确率更高。
-
公开(公告)号：CN116390084A
公开(公告)日：2023-07-04
申请号：CN202310366083.5
申请日：2023-04-07
Applicant: 西安电子科技大学
IPC: H04W12/02 , H04W12/122 , H04W12/64 , H04L9/32 , H04W4/40
Abstract: 本发明提出一种基于邻居密度的车联网位置隐私保护方法，实现步骤为：初始化车联网系统；中央授权机构对每个车辆产生密钥和假名并进行假名签名；判断每个车辆的邻居区域的密度；车辆在高密度区域交换假名；获取低密度区域车辆的假名更改结果。本发明根据每次假名即将到期时车辆所处的邻居区域密度的大小，将其所处区域划分为高密度区域和低密度区域，并为两个区域制定了不同的假名更新策略，弥补了现有技术对非热点区域车辆位置隐私保护的忽视，有效提高了车辆位置的隐私性，在高密度采用假名交换的方式也适当的减少了假名申请和管理的成本，提高了假名混淆程度和不可链接性，进一步提高了系统的车辆位置隐私保护能力。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
