[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

摘要

本发明公开了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。首先在各个节点的数据库中对图像、视频、文件进行分类标记，初始化转换矩阵和拉格朗日乘子，然后引入语义一致性构建目标函数，求解上述目标函数，更新转换矩阵。近邻节点进行通信，并判断各节点的转换矩阵是否趋于一致，更新拉格朗日乘子，最后进行近似性搜索过程。本发明解决了大规模数据在存储，计算时所需规模过大，集中式地训练算法模型已不再适合的问题。而且通过使用转换矩阵进行节点间的通信，节点间的通信不交换原始信息，能有效解决传输通信过大的问题，同时能对节点上的数据隐私性进行有效保护。

主权项

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Ai是半正定对称矩阵，由半正定对称矩阵的性质可知，Ai特征分解为Ai＝WiWiT，其中Wi是一个d×r维的矩阵，r＜d，i表示第i个节点，并且Wi的每一列都是相互正交的，即WiTWi＝Ir，Ir是一个r×r维的单位矩阵，WiT表示Wi的转置；Ai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.WiTWi＝Ir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。