-
公开(公告)号：CN118118149A
公开(公告)日：2024-05-31
申请号：CN202410048075.0
申请日：2024-01-12
申请人： 曲阜师范大学
摘要： 本发明涉及隐私安全及格理论与密码学领域，具体讲的是一种基于格的多密钥的门限加法同态加密方法。多密钥加法同态加密支持对多个参与方使用自己的公钥对加密的数据进行同态计算，而无需获取其他参与者的私钥进行解密。为了降低同态加密客户端的计算量，并支持用户的动态退出，本发明将门限技术和格上的对称加密算法引入到同态加密算法中，提出了一种基于格的多密钥的门限加法同态加密方法。在客户端，基于对称加密算法加密消息，基于汇聚公钥加密算法加密对称密钥，实现消息的高效加密。为了对客户端的密文消息进行同态聚合操作，进一步，一个基于格的自举算法被提出。而且，客户端对称密钥的密文可以预处理，客户端只需要计算每一轮消息的对称密文即可，进一步减小了密文的存储和通信开销。
-
公开(公告)号：CN118569352A
公开(公告)日：2024-08-30
申请号：CN202410484286.9
申请日：2024-04-22
申请人： 曲阜师范大学
IPC分类号： G06N3/098 , G06N3/042 , G06N3/0455 , G06N3/084 , G06N3/09 , G06N3/0464 , G06F21/62 , G06F21/60
摘要： 本发明属于机器学习及密码学领域。为解决纵向联邦图神经网络训练和更新过程复杂的问题，使纵向联邦宽度学习方法能够高效挖掘孤立非欧氏空间的图数据，本发明设计了一种带隐私保护的纵向联邦宽度学习方法，扩展了纵向联邦宽度学习方法的适用数据范围，实现纵向联邦宽度学习方法在非欧式空间的图上的应用，从而推进宽度学习系统的应用和发展。
-
公开(公告)号：CN117473161A
公开(公告)日：2024-01-30
申请号：CN202311497397.5
申请日：2023-11-10
申请人： 曲阜师范大学
IPC分类号： G06F16/9535 , G06F16/901 , G06N3/0455 , G06N3/042 , G06N3/08 , G06N3/084
摘要： 本发明涉及图神经网络推荐系统领域，具体讲是设计多路异构属性图上基于条件变分自编码器的邻域特征增强方法。多路异构属性图提供了丰富的信息，图神经网络在该场景下可以实现更高质量的推荐。但现有的推荐模型无法在图稀疏时解决信息聚合后中心节点的特征表示仍然不足的问题。为了解决以上问题，本发明提供了基于条件变分自编码器的邻域特征增强模型。在提出的模型中，首先将多路异构属性图根据边的类型分解成不同的属性子图；然后在不同的属性子图中应用条件变分自编码器生成节点的邻域增强特征；最后通过训练得到属性子图的权重，根据权重对不同属性子图上节点的邻域增强特征进行聚合，得到加权的邻域增强特征；将节点的原始特征与邻域增强特征进行拼接，丰富节点的特征表示，提高推荐系统的性能。
-
公开(公告)号：CN117436128A
公开(公告)日：2024-01-23
申请号：CN202311548611.5
申请日：2023-11-21
申请人： 曲阜师范大学
IPC分类号： G06F21/62 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/096
摘要： 本发明涉及知识蒸馏的隐私保护领域，具体是讲基于多层特征提取的自适应隐私保护知识蒸馏方法。知识蒸馏可以实现模型压缩，但是普通知识蒸馏仅使用了教师模型的软标签，并未使用教师模型中的特征知识。与此同时，教师模型的训练集中通常包含隐私信息，知识蒸馏存在隐私泄漏问题。为了解决上述问题，本发明提供了基于多层特征提取的自适应隐私保护知识蒸馏方法，共有三个学习阶段，第一个学习阶段是特征学习阶段，学生模型可以学习教师模型的多层特征知识以便更好的提取样本中的数据特征，并且能够在学习的过程中使用自适应差分隐私梯度下降（ADP‑SGD）对教师训练集进行自适应的隐私保护，第二个学习阶段是自学习阶段，学生模型可以学习样本的标签知识以便修正其错误预测，第三个学习阶段是蒸馏学习阶段，学生模型可以学习教师模型的软标签知识以便更好的理解不同类别之间的关系，并且能够在学习的过程中使用动态蒸馏温度（DT）对教师训练集进行自适应的隐私保护。
-
公开(公告)号：CN118171685A
公开(公告)日：2024-06-11
申请号：CN202410403959.3
申请日：2024-04-05
申请人： 曲阜师范大学
IPC分类号： G06N3/04 , G06N3/084 , G06F18/2415 , G06N3/048
摘要： 本发明涉及图神经网络异常节点检测领域，具体讲是设计基于单类聚合损失的图神经网络。图神经网络能够聚合节点的邻居信息，提取节点的关键特征，完成图上的各类任务。但随着图的复杂化，图上开始出现多种类型的节点和多种类型的边。在这种属性多重异构图上，特征相似的正常节点与异常节点更加容易混淆，图神经网络提取节点关键特征的能力受到挑战。为解决特征相似的正常节点和异常节点易混淆的问题，本发明提供了基于单类聚合损失的图神经网络。首先，进行数据预处理，得到单类聚合损失输入的节点对。其次，图神经网络正向学习，得到提取后的节点特征和概率矩阵。接着，计算单类聚合损失值和二分类交叉熵损失值，得到组合损失值。然后，根据组合损失的损失值，进行图神经网络参数的更新。最后，得到能够有效区分正常节点和异常节点的基于单类聚合损失的图神经网络。
-
公开(公告)号：CN111915210A
公开(公告)日：2020-11-10
申请号：CN202010801725.6
申请日：2020-08-11
申请人： 曲阜师范大学
摘要： 本发明涉及信息安全领域，本发明公开了一种适用于分布式物联网的信任管理方法。为了解决物联网设备间的恶意评价以及依赖于可信第三方的问题，本发明提出了一种适用于分布式物联网的信任管理方法。该信任管理方法主要由信任管理模型和评价方法两部分组成。通过将信任量化为期望信用与风险，对物联网的可信程度进行综合考量，判断一个物联网设备的可信任程度，并且在信任数据的存储过程中识别出可疑的恶意评价，帮助设备选择可靠的物联网设备进行合作，以此提高物联网设备间合作的成功率。并且，本发明借助区块链实现信任数据的存储和发布，进一步实现了信任数据的有效共享与安全。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.022 秒)
