-
公开(公告)号：CN115935405A
公开(公告)日：2023-04-07
申请号：CN202211119838.3
申请日：2022-09-15
申请人： 广州大学
IPC分类号： G06F21/62 , G06F40/30 , G06F40/216 , G06F16/35
摘要： 本发明涉及文本数据隐私保护中的差分隐私方法和深度学习技术领域，公开了一种基于差分隐私的文本内容保护方法，包括如下步骤：客户端对差分隐私和文本分析任务的阈值进行设定；客户端根据敏感信息内容，按照内容类型和字符长度进行分类和标记，构建敏感属性字典；根据具有相同标签的敏感属性内容集合，在语料库中查询到满足相似度阈值范围的语料内容；利用基于本地化差分隐私的广义随机响应机制，将敏感信息内容替换为在语料库中查询到的语料内容；由服务器聚合当前所有文本数据，并将其配置到文本分析任务模型中计算文本分析任务的准确率；服务器将文本分析任务的准确率发送给所有客户端，并由其判断是否在可接受的文本准确率阈值范围内。
-
公开(公告)号：CN115563616A
公开(公告)日：2023-01-03
申请号：CN202210996394.5
申请日：2022-08-19
申请人： 广州大学
IPC分类号： G06F21/57
摘要： 本发明涉及差分隐私和数据投毒防御技术领域，公开了一种面向本地化差分隐私数据投毒攻击的防御方法，其包括如下步骤：用户的数据经过LDP机制编码扰动之后，变为噪声数据，再将噪声数据上传到中心服务器中；中心服务器对每个用户的噪声数据进行差异放大和降维，再将差异放大后的数据映射到高维空间中的一个点；中心服务器根据异常点检测算法，随机抽取空间中的点，训练出t棵孤立二叉树；中心服务器利用孤立二叉树对每个节点进行评估，根据每个节点与根节点的距离，对节点进行打分；中心服务器筛选出异常点，剔除异常数据，并将上传该数据的用户进行标记，若标记超过3次，则剔除掉该用户。
-
公开(公告)号：CN113836556A
公开(公告)日：2021-12-24
申请号：CN202111134122.6
申请日：2021-09-26
申请人： 广州大学
摘要： 本发明提供了面向联邦学习的去中心化函数加密隐私保护方法及系统，所述方法为获取服务器发送的初始模型、公共数据集、加密标签、加密素数、加密权重和权重向量参数；根据本地数据集对初始模型进行训练得到本地模型，并根据公共数据集对本地模型进行测试得到模型准确率；根据加密素数生成加密私钥和部分解密密钥，并根据加密私钥和加密标签对本地模型进行函数加密得到加密模型；将加密模型、部分解密密钥和模型准确率发送给服务器，以使服务器根据部分解密密钥、加密标签、加密权重和模型准确率对加密模型进行解密聚合得到全局模型。本发明保证服务器不能获得用户本地模型的同时，有效防止第三方与服务器共谋攻击，提升隐私保护力度和服务效果。
-
公开(公告)号：CN113609521B
公开(公告)日：2022-11-01
申请号：CN202110851168.3
申请日：2021-07-27
申请人： 广州大学
摘要： 本发明公开了一种基于对抗训练的联邦学习隐私保护方法及系统，该方法包括：接收服务器发送的全局模型；根据本地计算能力和本地隐私需求，将所述全局模型划分为特征提取器和目标分类器，并从多个预设隐私分类器中，选择任一对应的所述预设隐私分类器作为本地隐私分类器，以及根据本地数据集和所述特征提取器，对所述目标分类器和所述本地隐私分类器进行对抗训练，得到本地训练信息；将所述本地训练信息上传至所述服务器，以使所述服务器根据所述本地训练信息，聚合更新所述全局模型。本发明不仅有效避免联邦学习内容级隐私的泄漏，而且减少了客户端与服务器的通信次数，有效提高联邦学习训练的准确率和效率，进一步提升联邦学习的服务质量。
-
公开(公告)号：CN115114381A
公开(公告)日：2022-09-27
申请号：CN202210712792.X
申请日：2022-06-22
申请人： 广州大学
摘要： 本发明属于差分隐私和子图统计技术领域，公开了一种面向本地化差分隐私的图统计分析方法，包括如下步骤：S1、针对现有图统计分析算法存在隐私泄露的问题，设置的框架让每个用户对他的邻接列表数据进行扰动；S2、再将噪声数据发送到服务器，服务器接收到扰动的数据后再计算出子图计数的无偏估计；S3、通过三角形和k‑stars的实用计数算法，在不接触用户的原始数据的条件下计算出图中的聚类系数；S4、服务器根据聚类系数，可以向聚类系数高的子图中的用户推送相关的服务。该面向本地化差分隐私的图统计分析方法，可以降低子图统计的估计误差，确保算法的实用性，并且其客户端无需了解额外信息，提高子图统计分析的隐私性。
-
公开(公告)号：CN113204787B
公开(公告)日：2022-05-31
申请号：CN202110493191.X
申请日：2021-05-06
申请人： 广州大学
摘要： 本发明提供了一种基于区块链的联邦学习隐私保护方法、系统、设备和介质，通过根据各节点权重向量，由可信第三方生成主公/私钥、解密密钥和各节点加密密钥，并将主公钥、解密密钥和加密密钥发送至各节点，由主节点创建初始区块写入初始模型发布后，各节点下载初始模型进行训练，并采用加密密钥加密得到加密模型后上传至区块链，当各节点的加密模型全部上传至区块链后，各节点竞争生成模型聚合区块的权力，并由获得该权力的节点根据主公钥和解密密钥，将各节点的加密模型聚合生成全局模型后上传至区块链，再由主节点下载全局模型并进行理想模型判断的方法，增加了对节点来源和模型内容隐私的保护，降低了服务计算成本，提高了学习效率和服务质量。
-
公开(公告)号：CN115495572A
公开(公告)日：2022-12-20
申请号：CN202210916658.1
申请日：2022-08-01
申请人： 广州大学
IPC分类号： G06F16/35 , G06F40/284 , G06N3/08 , G16H20/70 , G16H50/30
摘要： 本发明公开了一种基于复合情绪分析的抑郁情绪辅助管理方法，包括如下步骤：采集微博用户的数据，进行预处理；嵌入层将数据编码为实值向量利用抑郁情绪表达词典统计文本中的抑郁情绪表达，编码为抑郁情绪表达向量；将嵌入层获取的抑郁情绪表达向量输入至特征抽取层，情绪原因特征单元通过Bi‑GRU进行原因事件抽取，找出是否有导致当前情绪的原因事件；利用复合情绪知识单元结合Bi‑GRU对文本的复合情绪变化特征进行抽取；将特征抽取层中的隐含层输入到胶囊层；胶囊层得出结果分类训练，利用抑郁情绪分类胶囊的实例化参数重建抑郁情绪表达，捕捉预测抑郁情绪的特征。本发明克服了抑郁情绪辅助检测方法对抑郁情绪类型分类粒度过粗问题。
-
公开(公告)号：CN113836556B
公开(公告)日：2022-11-04
申请号：CN202111134122.6
申请日：2021-09-26
申请人： 广州大学
摘要： 本发明提供了面向联邦学习的去中心化函数加密隐私保护方法及系统，所述方法为获取服务器发送的初始模型、公共数据集、加密标签、加密素数、加密权重和权重向量参数；根据本地数据集对初始模型进行训练得到本地模型，并根据公共数据集对本地模型进行测试得到模型准确率；根据加密素数生成加密私钥和部分解密密钥，并根据加密私钥和加密标签对本地模型进行函数加密得到加密模型；将加密模型、部分解密密钥和模型准确率发送给服务器，以使服务器根据部分解密密钥、加密标签、加密权重和模型准确率对加密模型进行解密聚合得到全局模型。本发明保证服务器不能获得用户本地模型的同时，有效防止第三方与服务器共谋攻击，提升隐私保护力度和服务效果。
-
公开(公告)号：CN115081019A
公开(公告)日：2022-09-20
申请号：CN202210711148.0
申请日：2022-06-22
申请人： 广州大学
摘要： 本发明公开了一种深度学习差分隐私算法保护效果的评估方法、系统及装置，包括，从训练集D中选取k个样本，将k个样本根据针对性标记样本生成方法生成k个标记样本；将k个标记样本插入训练集D中生成对比训练集D’；随机选取D或D’作为训练集，结合差分隐私的深度学习算法训练得到深度学习模型；将深度学习模型和k个标记样本输入判别器，分别计算k个标记样本的损失值Loss，根据k个损失值判断训练深度学习模型采用的训练集；统计判别器判别结果中的假正例个数和假负例个数，根据假正例个数和假负例个数计算得到组隐私损失值，组隐私损失值表示该差分算法隐私保护强度。本发明可以实现面向深度学习中差分隐私算法保护效果的评估。
-
公开(公告)号：CN112966298B
公开(公告)日：2022-02-22
申请号：CN202110226452.1
申请日：2021-03-01
申请人： 广州大学
摘要： 本发明提供了一种复合隐私保护方法、系统、计算机设备及存储介质，所述方法包括：预先根据客户端权重，通过可信第三方生成客户端的加密公钥和服务器的解密私钥；由所述服务器向所述客户端发送第一模型和第一模型参数；由所述客户端根据本地数据对所述第一模型进行训练，将所述第一模型参数更新为第二模型参数；采用差分隐私算法，由所述客户端对所述第二模型参数添加噪声，得到第三模型参数；根据所述加密公钥，由所述客户端对所述第三模型参数进行函数加密，得到加密模型并发送给所述服务器；根据所述解密私钥，由所述服务器对所述加密模型进行解密，得到全局模型。本发明不仅加强了隐私保护，还提高了模型服务质量和学习效率。
-
-
-
-
-
-
-
-
-
搜索结果
21 条记录 (耗时 0.036 秒)
