[发明专利]隐私性增强的联合学习系统

权利要求书

1.一种用户设备(100)，其特征在于，包括：

处理器(102)，用于：

下载主机器学习模型，其中，所述主机器学习模型用于生成与所述用户设备(100)的应用程序的使用相关的用户推荐；

使用所述主机器学习模型和与所述用户设备(100)的用户或与所述用户设备(100)的用户交互中的一个或多个相关的数据来计算所述主机器学习模型的模型更新；

使用ε-差分隐私机制对所述计算出的模型更新进行编码；以及

发送ε-差分隐私编码后的模型更新。

2.根据权利要求1所述的用户设备(100)，其特征在于，所述下载的主机器学习模型是协同过滤器(collaborative filter，简称CF)模型或联合学习协同过滤器模型中的一个或多个。

3.根据前述权利要求中任一项所述的用户设备(100)，其特征在于，所述处理器(102)用于根据所述下载的主机器学习模型和与所述用户设备(100)的用户或与所述用户设备(100)的用户交互中的一个或多个相关的所述数据，生成与所述应用程序的使用相关的所述用户推荐。

4.根据权利要求3所述的用户设备(100)，其特征在于，所述应用程序是视频服务。

5.一种服务器装置(200)，其特征在于，包括：

处理器(202)，用于：

接收主机器学习模型的多个ε-差分隐私编码后的模型更新；

聚合所述接收到的多个ε-差分隐私编码后的更新；

解码所述接收到的多个ε-差分隐私编码后的更新的所述聚合，以恢复所述接收到的多个ε-差分隐私编码后的更新的聚合版本；

从所述接收到的多个ε-差分隐私编码后的更新的所述聚合版本更新所述主机器学习模型。

6.根据权利要求5所述的服务器装置(200)，其特征在于，所述主机器学习模型是协同过滤器(collaborative filter，简称CF)模型或联合学习协同过滤器模型中的一个或多个。

7.根据权利要求5和6中任一项所述的服务器装置(200)，其特征在于，所述处理器(202)用于将所述接收到的多个ε-差分隐私编码后的更新聚合为所述接收到的多个ε-差分隐私编码后的更新的和。

8.一种方法(300)，其特征在于，包括：

下载(302)主机器学习模型到用户设备，所述主机器学习模型用于生成与所述用户设备的应用程序的使用相关的用户推荐；

使用所述主机器学习模型和与所述用户设备的用户或与所述用户设备的用户交互中的一个或多个相关的数据来计算(304)所述主机器学习模型的模型更新；

使用ε-差分隐私机制对所述模型更新进行编码(306)；

将编码后的模型更新从所述用户设备发送(308)到服务器。

9.根据权利要求8所述的方法(300)，其特征在于，所述主机器学习模型是协同过滤器(collaborative filter，简称CF)模型或联合学习协同过滤器模型中的一个或多个。

10.根据权利要求8或9中任一项所述的方法(300)，其特征在于，还包括：

在所述服务器接收(310)所述主机器学习模型的多个ε-差分隐私编码后的模型更新；

聚合(312)所述多个ε-差分隐私编码后的模型更新；

解码(314)所述ε-差分隐私编码后的模型更新的聚合，以恢复所述接收到的多个ε-差分隐私编码后的模型更新的聚合版本；

从所述恢复的聚合版本更新(316)所述主机器学习模型。

11.根据权利要求10所述的方法(300)，其特征在于，还包括：将所述多个ε-差分隐私编码后的模型更新聚合(312)为所述多个ε-差分隐私编码后的模型更新的和。