[发明专利]一种基于生成式人工智能的去隐私方法和系统

权利要求书

1.一种基于生成式人工智能的去隐私方法，其特征在于，所述方法包括：

对目标数据进行特征编码、约束差分计算和归一化处理；

基于处理后的目标数据根据监控指标对生成式对抗网络进行训练；

将随机变量输入所述生成式对抗网络，得到所述目标数据的合成数据；

对所述目标数据和所述目标数据的合成数据进行统计特征和覆盖范围的计算，若满足设定条件，则确定为待测试数据；

对所述目标数据和所述待测试数据进行连接攻击，若满足设定条件，则将所述目标数据的合成数据确定为所述目标数据的去隐私数据；

在对目标数据进行特征编码、约束差分计算和归一化处理之前，所述方法还包括：

对所述目标数据进行离群点去除和缺失数据插补；

基于处理后的目标数据根据监控指标对生成式对抗网络进行训练，包括：

基于处理后的目标数据，根据监控指标对所述生成式对抗网络的训练过程进行控制，经过多次迭代和超参调整，学习出生成式对抗网络的参数，以完成所述生成式对抗网络的训练；

所述监控指标按照如下公式计算：

其中，E和G为数据集，为E和G数据集分布之间的距离，若E数据集中任意一个点Ei距离最近的第L个点来自于数据集E∪G，则1_Ei(l)取值为1，否则为0；

所述生成式对抗网络是按照如下公式构建：

其中，表示最小化生成器G（generator）的损失函数值同时最大化判别器D（discriminator）的损失函数值；x∼p_data(x)表示从真实的数据分布p_data(x)中采样出样本x，D(x)表示样本x通过判别器后的结果， z∼p_z(z)表示从分布p_z(z)中抽取一个随机数z，G(z)表示随机数z通过生成器G后的合成数据。

2.一种基于生成式人工智能的去隐私系统，其特征在于，所述系统包括：

强约束模块，用于对目标数据进行特征编码、约束差分计算和归一化处理；

训练模块，用于基于处理后的目标数据根据监控指标对生成式对抗网络进行训练；

合成数据确定模块，用于将随机变量输入所述生成式对抗网络，得到所述目标数据的合成数据；

特征计算模块，用于对所述目标数据和所述目标数据的合成数据进行统计特征和覆盖范围的计算，若满足设定条件，则确定为待测试数据；

连接攻击模块，用于对所述目标数据和所述待测试数据进行连接攻击，若满足设定条件，则将所述目标数据的合成数据确定为所述目标数据的去隐私数据；

所述系统还包括：

预处理模块，用于对所述目标数据进行离群点去除和缺失数据插补；

所述训练模块，具体用于：

基于处理后的目标数据，根据监控指标对所述生成式对抗网络的训练过程进行控制，经过多次迭代和超参调整，学习出生成式对抗网络的参数，以完成所述生成式对抗网络的训练；

所述监控指标按照如下公式计算：

其中，E和G为数据集，为E和G数据集分布之间的距离，若E数据集中任意一个点Ei距离最近的第L个点来自于数据集E∪G，则1_Ei(l)取值为1，否则为0；

所述生成式对抗网络是按照如下公式构建：

其中，表示最小化生成器G（generator）的损失函数值同时最大化判别器D（discriminator）的损失函数值；x∼p_data(x)表示从真实的数据分布p_data(x)中采样出样本x，D(x)表示样本x通过判别器后的结果， z∼p_z(z)表示从分布p_z(z)中抽取一个随机数z，G(z)表示随机数z通过生成器G后的合成数据。

3.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现如权利要求1所述的方法。

4.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1所述的方法。