-
公开(公告)号：CN115908600A
公开(公告)日：2023-04-04
申请号：CN202211092335.1
申请日：2022-09-07
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于先验正则化的大批量图像重建方法，用于在联邦学习中使用交换的梯度信息重建用于训练的图像。首先作为普通参与者参与协同学习获取协同学习的模型结构以及在训练过程中接收到的梯度信息；生成值为随机值的模拟图像，将该模拟图像输入到获得的模型中得到损失，再根据损失进行反向传播得到模拟梯度；使用模拟梯度去拟合全局模型的原始梯度，将模拟梯度和原始梯度的距离作为损失来优化模拟图像；在优化的过程中，根据图像的先验知识生成先验知识正则项，使用先验知识正则项指导优化过程的进行，使得优化过程的准确度与速度大幅提升。本发明能够只使用梯度信息就大批量的、高像素匹配度的重建生成梯度的图像。
-
公开(公告)号：CN114726498B
公开(公告)日：2024-06-25
申请号：CN202210340042.4
申请日：2022-03-31
Applicant: 北京工业大学
Abstract: 本发明公开了基于网络分层且采用同态加密进行交互的智能家居数据分析方法，该方法的步骤如下：在云端服务器训练针对特定任务的DNN模型；将模型以选定的中间层划分，前半段部署到用户本地，后半段保留在云端；将智能家居系统中传感器等设备获取的输入传入前半段网络，并得到中间层的输出；在本地通过Paillier同态加密的方式与云端的网络后半段进行交互，并最终得到网络的输出结果；云端服务器根据网络的输出对智能家居系统进行及时的响应。本方法在使用传统神经网络进行数据分析的基础上，采用本地与云端加密的交互式分析方法，利用同态加密的安全性以及网络分层对本地较小的计算开销，解决了智能家居系统数据分析中的安全问题。使用网络分层且加密的交互式数据分析方法具有很高的隐私安全性和模型部署场景的适用性。
-
公开(公告)号：CN112073406A
公开(公告)日：2020-12-11
申请号：CN202010918309.4
申请日：2020-09-03
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于双线性映射的可扩展分组多数据保护方法，用于解决窃听攻击和共谋攻击，保护用户用电隐私问题。首先将智能电表分成不同的组；聚合器以组为单位，利用组内其他电表为各个电表生成加密自己数据的一个密钥；同时为公共事业服务提供商 生成一个解密密钥；多数据聚合，用于公共事业服务商 接收并解密所有电表的用电量之和，包括：聚合每个电表的多组数据并加密，然后发送至聚合器；聚合器验证所有电表加密数据的合法性，并将接收的所有电表的合法加密数据之和发送至公共事业服务商；公共事业服务商 再次验证数据合法性，并利用解密密钥结算所有电表的数据总和。本发明有效的解决了隐私保护问题，还缓解了坏电表问题和扩展性问题。
-
公开(公告)号：CN119622816A
公开(公告)日：2025-03-14
申请号：CN202411844170.8
申请日：2024-12-15
Applicant: 北京工业大学
Abstract: 本发明公开了联邦学习中基于数据增强的隐私保护方法，属于联邦学习隐私保护的领域，该方法的步骤如下：首先参与联邦学习训练的客户端在本地训练前先使用选择好数据增强方法对数据集进行处理；接着中央服务器初始化所有参数并下发至各个客户端开始训练；每轮参与训练的客户端获取全局模型参数，训练每个批次后计算梯度，更新参数，对参数裁剪并添加差分扰动噪声；每轮结束之后服务器聚合、更新全局参数，广播给客户端，如此循环至模型收敛。本方法主要改进联邦学习现有的基于差分隐私的隐私保护方法，加入数据增强方法使其更好地平衡模型可用性和隐私保护能力。其中，数据增强方法包括SaliencyMix、基本数据增强策略、SaliencyMix与基本数据增强策略相结合等。
-
Patent Agency Ranking
公开(公告)号：CN117493877A
公开(公告)日：2024-02-02
申请号：CN202311297708.3
申请日：2023-10-09
Applicant: 北京工业大学
IPC: G06F18/214 , G06F18/24 , G06N3/098
Abstract: 本发明公开了基于联邦学习的医院隐私数据加噪与优化保护方法，该方法的步骤如下：医院客户端指定的中央服务器初始化并广播发送全局模型至客户端；客户端在本地使用私有数据集训练本地模型并得到模型梯度数据；客户端对模型梯度数据进行裁剪加噪保护处理；客户端使用噪声优化算法对加噪后的模型梯度参数进行方向优化；客户端将优化后的模型梯度参数上传至服务器；中央服务器对模型梯度参数进行联邦聚合；生成最终经过优化噪声梯度算法保护的模型。本方法在使用传统联邦学习框架的基础上，采用对客户端传输至服务器的参数加噪并优化方法，解决了传统的基于联邦学习框架中提供加噪保护后的模型准确率低的问题。
-
公开(公告)号：CN112073406B
公开(公告)日：2023-01-13
申请号：CN202010918309.4
申请日：2020-09-03
Applicant: 北京工业大学(CN)
Abstract: 本发明涉及一种基于双线性映射的可扩展分组多数据保护方法，用于解决窃听攻击和共谋攻击，保护用户用电隐私问题。首先将智能电表分成不同的组；聚合器以组为单位，利用组内其他电表为各个电表生成加密自己数据的一个密钥；同时为公共事业服务提供商生成一个解密密钥；多数据聚合，用于公共事业服务商接收并解密所有电表的用电量之和，包括：聚合每个电表的多组数据并加密，然后发送至聚合器；聚合器验证所有电表加密数据的合法性，并将接收的所有电表的合法加密数据之和发送至公共事业服务商；公共事业服务商再次验证数据合法性，并利用解密密钥结算所有电表的数据总和。本发明有效的解决了隐私保护问题，还缓解了坏电表问题和扩展性问题。
-
公开(公告)号：CN114726498A
公开(公告)日：2022-07-08
申请号：CN202210340042.4
申请日：2022-03-31
Applicant: 北京工业大学
Abstract: 本发明公开了基于网络分层且采用同态加密进行交互的智能家居数据分析方法，该方法的步骤如下：在云端服务器训练针对特定任务的DNN模型；将模型以选定的中间层划分，前半段部署到用户本地，后半段保留在云端；将智能家居系统中传感器等设备获取的输入传入前半段网络，并得到中间层的输出；在本地通过Paillier同态加密的方式与云端的网络后半段进行交互，并最终得到网络的输出结果；云端服务器根据网络的输出对智能家居系统进行及时的响应。本方法在使用传统神经网络进行数据分析的基础上，采用本地与云端加密的交互式分析方法，利用同态加密的安全性以及网络分层对本地较小的计算开销，解决了智能家居系统数据分析中的安全问题。使用网络分层且加密的交互式数据分析方法具有很高的隐私安全性和模型部署场景的适用性。
-
公开(公告)号：CN117274071A
公开(公告)日：2023-12-22
申请号：CN202310300003.6
申请日：2023-03-26
Applicant: 北京工业大学
IPC: G06T5/00 , G06F21/62 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/094 , G06N3/098 , G06N3/084
Abstract: 本发明公开了一种基于生成对抗神经网络的联邦学习数据重建方法，主要针对图像数据的恢复。该方法利用了联邦学习场景下，各参与者可以比较容易的获取到共享模型的结构及参数的特点，并且利用生成对抗神经网络技术，实现了从联邦学习共享模型中恢复数据的技术难题。该方法使用styleGAN2中的生成器作为对抗网络的生成器，并使用联邦学习的共享模型作为对抗网络的鉴别器，通过对抗训练恢复隐私数据。该方法的生成器由于实现了对潜向量的解耦，从而提升了生成样本的质量。此外，该方法创造性的使用高斯滤波原理构造正则项，提升了生成图像的平滑性，进一步提升了重建数据的质量。
-
公开(公告)号：CN116628445A
公开(公告)日：2023-08-22
申请号：CN202310586380.0
申请日：2023-05-24
Applicant: 北京工业大学
IPC: G06F18/20 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于Cutmix数据增强的联邦学习隐私保护方法，应用于对医院影像数据中心进行隐私保护的场景。医院数据中心的中央服务器在联邦训练开始前，确定一个深度学习模型作为各客户端训练的模型；联邦训练开始后，中央服务器会将此模型下发给各客户端；为了在训练过程中图像不存在无信息像素，本发明在对原始数据进行保护时，采用基于Cutmix数据增强方法，利用数据增强策略在图片生成方面的优势，使训练模型学习到更多的鲁棒性特征，有效提高模型的泛化能力。本发明针对联邦学习中的梯度反演攻击进行防御，增强对梯度反演攻击过程的约束，提出对联邦学习更安全的防御场景。本方法可以在少量数据效用损失的情况下防御最先进的攻击。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
