“陈涵霄”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]一种安全的应用于纵向联邦学习的特征选择方法-CN202210215668.2有效
发明人：李洪伟;张瑞;胡佳;郝猛;陈涵霄;张希琳;刘鹏飞;任彦之;张源 -专利权人：电子科技大学
申请日： 2022-03-07 - 公布日： 2023-10-03 - 主分类号： H04L9/00 文献下载
摘要：本发明提供一种安全的应用于纵向联邦学习的特征选择方法，本发明设计了一个通用的基于基尼系数的特征选择框架，并为该框架设计了两个定制的密码协议。其中一个协议建立在轻量级加法秘密共享技术之上，以保护隐私特征，但同时也引入了少量额外计算开销。另一个同时使用秘密共享和线性同态加密技术。本发明方案与纵向联邦学习中现有的大多数机器学习模型兼容，并可作为即插即用模块集成到现有的隐私保护的纵向联邦学习系统中，以进一步提高训练效率和模型准确率。
一种安全应用于纵向联邦学习特征选择方法

[发明专利]一种基于安全两方计算S型函数的隐私保护方法-CN202310470235.6在审
发明人：李洪伟;胡佳;冯宇扬;陈涵霄;郝猛;张希琳;张源;刘鹏飞 -专利权人：电子科技大学
申请日： 2023-04-27 - 公布日： 2023-08-04 - 主分类号： G06F21/62 文献下载
摘要：本发明公开了一种基于安全两方计算S型函数的隐私保护方法，属于联邦学习的隐私保护技术领域。本发明在包括一个服务端和若干个客户端的联邦学习系统中，服务端响应于客户端发起的预测任务请求，将匹配于预测任务请求的神经网络模型下发给客户端；客户端基于本端的待预测数据，在本发明所设置的隐私保护数据分享的规则下通过与服务端之间的数据交互逐层完成本端对神经网络模型的前向推理运算，获取待预测数据的预测结果。本发明对联邦学习的模型训练过程中参与前向推理运算的相关参数，在服务端与客户端之间被双方以秘密分享方式存储的参数，计算后的结果仍以秘密分享方式存储，以此保证隐私安全。在一定的计算准确率下降低了计算量和通信开销。
一种基于安全计算函数隐私保护方法

[发明专利]一种隐私保护的神经网络预测系统-CN202210656199.8有效
发明人：李洪伟;杨浩淼;郝猛;胡佳;陈涵霄;钱心缘;范文澍;袁帅;张瑞;李佳晟;张晓磊 -专利权人：电子科技大学
申请日： 2022-06-10 - 公布日： 2023-04-07 - 主分类号： H04L9/08 文献下载
摘要：本发明公开了一种隐私保护的神经网络预测系统，属于信息安全技术领域。本发明包括客户端、服务端和第三方；在神经网络模型预测的离线阶段，客户端、服务端和第三方通过协商完成模型参数的分享；在线预测阶段，客户端将输入数据的分享值发送给服务端；客户端和服务端利用安全计算协议共同执行具有隐私保护的神经网络预测，服务端将得到的预测结果的分享返回给客户端，客户端重构得到预测结果。在通信方面，本发明仅需一轮通信交互，且降低了现有方案的通信开销数据量，以使得本发明的通信效率显著提高，本发明中所有的计算都是基于环而不是域。本发明还重新定制了离线阶段的协议，不仅提高了离线阶段的效率而且仅需轻量级的秘密分享操作。
一种隐私保护神经网络预测系统

[发明专利]一种在深度学习下支持训练集成员隐私保护的方法-CN202110093713.7有效
发明人：李洪伟;陈宗琪;孙昊楠;范文澍;张云;郝猛;陈涵霄;刘小源 -专利权人：电子科技大学
申请日： 2021-01-22 - 公布日： 2022-06-03 - 主分类号： G06F21/62 文献下载
摘要：本发明公开了一种在深度学习下支持训练集成员隐私保护的方法，属于深度学习隐私保护技术领域。本发明基于数据混合技术方法的处理机制，采用增强混淆训练混合了训练数据样本与多元随机化设置，并在记忆训练过程中设置了一个额外的混合项，即记忆残留项，并扩大记忆残留项以增强对成员推理攻击的防御能力。通过该混合操作可以防止分类器记住样本数据，因此可以有效地抵抗成员推理攻击。本发明可以阻止模型与它的训练数据过度拟合，提高了目标模型的鲁棒性；且本发明不需要攻击者的先验知识，与现有技术相比，消耗的额外计算资源少；能有效抵御基于模型和度量攻击的成员推理攻击。
一种深度学习支持训练集成隐私保护方法

[发明专利]一种保护用户数据隐私的抗拜占庭攻击的联邦学习方法-CN202111589802.7在审
发明人：李洪伟;郝猛;邢鹏志;曾加;翟一晓;徐婕妤;陈涵霄;汤殿华;张希琳;张源;刘鹏飞 -专利权人：电子科技大学
申请日： 2021-12-23 - 公布日： 2022-03-25 - 主分类号： G06N20/20 文献下载
摘要：本发明提供一种保护用户数据隐私的抗拜占庭攻击的联邦学习方法，将服务器端分为两部分，计算服务器和服务提供服务器，由这两个服务器共同完成安全计算，各自得到有效性检测结果、反映服务器梯度方向与本地梯度方向相似性的余弦相似度结果，此过程中两中服务器无法通过各自的数据推算参与方的数据集内容，保护了用户数据隐私。同时，服务器端得到的通过有效性检测结果以及余弦相似度结果得到的聚合可信分数能有效完成接收数据筛选，剔除无效数据后更新全局模型。发明在进行联邦学习时技能保护用户数据隐私有能够抵御强拜占庭攻击，具有较高的扩展性和性能表现，能够满足不同规模的数据场景。
一种保护用户数据隐私拜占庭攻击联邦学习方法

[发明专利]一种基于隐私保护的分布式深度学习方法-CN202010342081.9在审
发明人：李洪伟;李毅然;刘鹏飞;黄晓明;刘洋洋;徐国文;郝猛;姜文博;龚丽;刘小源;陈涵霄;李双;任彦之;杨浩淼 -专利权人：电子科技大学
申请日： 2020-04-27 - 公布日： 2020-08-21 - 主分类号： G06F21/60 文献下载
摘要：本发明公开了一种基于隐私保护的分布式深度学习方法，首先，在该方法中各个用户利用私有数据集训练本地模型并获得本地梯度，然后，各个用户利用门限加密算法对用户本地梯度数据进行加密，最后，云服务器实现安全聚合和学习模型全局参数的更新进而完成保护隐私的分布式学习训练过程。本发明将门限加密算法应用在分布式深度学习模型中，提出了安全高效的深度学习训练方法，利用门限加密的同态特性实现了梯度数据在云服务器的安全聚合，基于门限加密算法的门限特性，即使服务器与一定数量用户勾结也无法推断用户训练数据的隐私，同时，基于门限加密算法的非交互特性，本发明可以容忍用户在训练过程中有意或无意的退出行为。
一种基于隐私保护分布式深度学习方法