[发明专利]基于语义一致性的具有隐私保护的分布式近似性搜索方法

权利要求书

1.基于语义一致性的具有隐私保护的分布式近似性搜索方法，其特征在于包括以下步骤：

步骤1：在各个节点的数据库中对图像、视频、文件进行分类标记；

步骤2：初始化转换矩阵和拉格朗日乘子，在每个节点上都对转换矩阵和拉格朗日乘子进行初始化设置，设置初始化的转换矩阵是一个d×d维的单位矩阵，初始化的拉格朗日乘子为d×d维的全0矩阵，d表示样本原始特征空间的维度；

步骤3：引入语义一致性构建目标函数，在目标函数中引入语义一致性，通过转换矩阵将原始的特征空间映射到新的特征空间中；

步骤4：求解上述目标函数，更新转换矩阵；

由于A_i是半正定对称矩阵，由半正定对称矩阵的性质可知，A_i特征分解为A_i＝W_iW_i^T，其中W_i是一个d×r维的矩阵，r＜d，i表示第i个节点，并且W_i的每一列都是相互正交的，即W_i^TW_i＝I_r，I_r是一个r×r维的单位矩阵，W_i^T表示W_i的转置；

A_i特征分解后，将目标函数：

表示成tr()的形式，如下：

上式中s.t.表示约束条件，定义一个新的变量U，U的表示形式如下：

则，优化目标：

转化为如下形式：

s.t.W_i^TW_i＝I_r

最终问题的解等价于求解W_i，即求U的前r个最小特征值所对应的特征向量，利用A_i＝W_iW_i^T得到当前A_i的解，假设当前A_i解是第k+1次迭代更新的结果，用表示，其中x_m表示第m个样本，A_i表示在第i个节点，通过A_i能将欧式距离转换为马氏距离，x_m表示第m个样本，z_p表示第p个类别的中心，z_q表示第q个类别的中心，表示样本x_m是否有第p个标记，λ表示一个权重参数，表示第i个节点的拉格朗日乘子的第k次迭代，表示第k次迭代时第i个节点的近邻节点的转换矩阵，ρ表示一个惩罚参数；

步骤5：近邻节点进行通信，判断各节点的转换矩阵是否趋于一致，更新拉格朗日乘子，设置每个节点都有两个近邻节点，近邻节点间通过转换矩阵交换信息，并根据转换矩阵确定是否要从新迭代更新，所有节点构成连通图，即任意两个节点通过其他节点间接的连接时，如果转换矩阵趋于一致，则停止训练过程；否则，更新拉格朗日乘子，并重复步骤3；

步骤6：进行近似性搜索过程，对于一个新的查询样本，将其输入到某个节点，经过转换矩阵映射后，计算在新的特征空间中查询样本与该节点其他样本之间的距离，取其中前f个最小的距离所对应的样本作为近似性搜索的结果。

2.根据权利要求1所述的基于语义一致性的具有隐私保护的分布式近似性搜索方法，其特征在于步骤1中，假设共有N个节点，每个节点对应一个数据库X_i，X_i表示第i个节点的数据库，在不同节点中的数据库是相互独立的，并且不同的节点间不希望共享信息，每个数据库中都有L种类别标记，对不同的样本打上不同的标记。

3.根据权利要求1所述的基于语义一致性的具有隐私保护的分布式近似性搜索方法，其特征在于，所述方法考虑到近邻节点的信息，加入惩罚参数加速迭代。