CN112149158A - 一种基于同态加密技术的3d打印多数据库共享优化算法 - Google Patents
一种基于同态加密技术的3d打印多数据库共享优化算法 Download PDFInfo
- Publication number
- CN112149158A CN112149158A CN202010838802.5A CN202010838802A CN112149158A CN 112149158 A CN112149158 A CN 112149158A CN 202010838802 A CN202010838802 A CN 202010838802A CN 112149158 A CN112149158 A CN 112149158A
- Authority
- CN
- China
- Prior art keywords
- training
- batch
- server
- gradient
- members
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6227—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database where protection concerns the structure of data, e.g. records, types, queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据库共享技术领域,公开了一种基于同态加密技术的3D打印多数据库共享优化算法,采用中心驱动多方训练的方式,利用秘密共享算法得到服务器端输入层数据,并分别获取各训练成员对应的迭代次数和服务器对应的中心迭代次数;且各训练成员分别独立累积一阶矩和二阶矩进行模型更新;最后通过使训练成员的迭代次数和中心迭代次数一致,进行多方训练成员训练进度的统一。
Description
技术领域
本发明涉及多数据库共享技术领域,具体的说,是一种基于同态加密技术的3D打印多数据库共享优化算法。
背景技术
上世纪八十年代,3D打印技术诞生了。3D打印是一种自下而上的制造方式,也称为增材制造技术,不同于传统的“去除”加工方法。3D打印技术自诞生之日起就受到人们的广泛关注,因此获得了快速发展。近几十年来,3D打印技术已成为人们关注的焦点,在工业设计、建筑、汽车、航空航天、牙科、教育等领域都被应用。但是,在3D打印实施过程中,由于3D打印相关参数太多,在实验过程中无法穷尽所有3D打印参数,并判断这些参数是否能够成型合适的零件,因此需要一种3D打印参数学习和预测的方式实现3D打印参数的预测。
由于3D打印实验成本高昂,由一家企业或单位完成所有实不太可能,因此提出多个数据库共同训练得到更加精准模型参数的技术方案,而此类方案中就涉及到多个数据库之间的保密问题。
发明内容
本发明提供了一种基于同态加密技术的3D打印多数据库共享优化算法,基于使得多个用户既能共享数据库进行联合训练又能保证己方数据的保密性。
本发明通过下述技术方案实现:
本发明公开了一种基于同态加密技术的3D打印多数据库共享优化算法,采用中心驱动多方训练的方式,利用秘密共享算法得到服务器端输入层数据,并分别获取各训练成员对应的迭代次数和服务器对应的中心迭代次数;且各训练成员分别独立累积一阶矩和二阶矩进行模型更新;最后通过使训练成员的迭代次数和中心迭代次数一致,进行多方训练成员训练进度的统一。
参数说明如下:
N为训练成员总数,
Ai、Aj均为训练成员,其中:i=1,...,N;j=1,...,N;
C为作为训练的驱动中心的服务器;
XtrAi为训练集;
XvalAi为验证集;
XteAi为测试集;
XAi为训练数据;
Y为label数据的标签;
nAi为提取训练集XtrAi的样本个数;
fAi为提取训练集XtrAi的特征个数;
batch为批次;
batch_size为每一个批次的样本个数;
T为中心迭代次数;
tAi为训练成员Ai对应的迭代次数;
ΔtAi为样本训练与训练成员Ai的迭代次数差值;
tAj为训练成员Aj对应的迭代次数;
ΔtAj为样本训练与训练成员Aj的迭代次数差值;
batch_begin_now_i为参与训练的成员的起始编号;
batch_end_now_i为参与训练的成员的结尾编号;
batch_begin_i为参与训练的训练样本的起始编号;
batch_end_i为参与训练的训练样本的结尾编号;
K为最终参与训练的成员编号集合;
bAi为训练成员Ai中参与训练的成员的偏置向量;
WAi为训练成员Ai的模型参数,即训练成员Ai中参与训练的成员的权重矩阵;
WAj为训练成员Aj的模型参数;
h0为训练样本梯度;
Δh为服务器输入层的梯度;
Δhjk为ΔHj中各个元素,相当于各个训练成员Aj对应的梯度;
ΔH为梯度集合;
ΔHj为训练成员Aj对应的梯度集合;
mtAj0为一阶矩的原始值;
mtAj为一阶矩的优化值;
vtAj0为二阶矩的原始值;
vtAj为二阶矩的优化值;
β1、β2为超参数。
所述一种基于同态加密技术的3D打印多数据库共享优化算法,具体包括以下步骤。
步骤1:数据对齐和拆分
多个训练成员之间利用PSI协议(Private Set Intersection)进行求交运算得到具有相同ID的数据交集,对数据交集进行编号,分别得到Ai(i=1,...,N)对应的数据集,且各个数据集中包含训练的label数据,记label数据的标签为Y;
然后,将各个数据集进行拆分得到对应的训练集XtrAi、验证集XvalAi、测试集XteAi;并提取训练集XtrAi的数据维度、样本个数nAi、特征个数fAi;i=1,...,N。
步骤2:通信及网络结构初始化
步骤2.1:初始化:
具体包括以下步骤:
步骤2.1.1:在服务器端确定网络的层数和每层的节点数,以确定深度神经网络的网络结构,并将网络结构分为训练成员内部的网络结构和服务器端的网络结构;
步骤2.1.2:设定每个batch(批次)的样本个数batch_size=100;
步骤2.1.3:确定服务器及训练成员各自的通信IP地址;
步骤2.1.4:将样本训练的中心迭代次数T初始化为0,即T=0;
步骤2.1.5:将训练成员Ai的迭代次数tAi初始化为0,即tAi=0;
步骤2.1.6:将梯度集合ΔH初始化为空集;
步骤2.1.7:将参与训练的所有成员的始末编号batch_begin_now_i、batch_end_now_i均初始化为0,并初始化模型参数WAi和偏置向量bAi;
成员的起始编号为batch_begin_now_i;
成员的结尾编号为batch_end_now_i;
步骤2.2:训练成员之间进行通信握手;具体是指:所有参与训练的训练成员将数据维度进行广播,并判断所有训练成员样本个数是否相同;若不相同则返回步骤1重新进行求交运算,若相同则继续进行下一步;
步骤2.3:服务器端与训练成员进行通信握手;具体是指:根据IP地址,服务器C与训练成员Ai进行通信连接,并将该训练成员Ai的网络结构发送给所有的训练成员,同时所有的训练成员将各自的数据维度发送给服务器C。
步骤3:中心驱动多方训练
步骤3.1:更新训练迭代次数
具体是指:服务器C更新中心迭代次数T=T+1,服务器C将更新后的迭代次数T下发至各训练成员Ai;通过ΔtAi=T-tAi分别计算得到迭代次数差值ΔtAi;并更新迭代次数tAi,即tAi=T;参与训练的训练样本的始末编号均为batch_begin_i、batch_end_i;
其中,
训练样本的起始编号为batch_begin_i,
且满足batch_begin_i=batch_size*(T-1);
训练样本的结尾编号为batch_end_i,
且满足batch_end_i=batch_size*T。
步骤3.2:利用秘密共享算法得到服务器端输入层数据
具体包括步骤3.2.1-步骤3.2.4。
步骤3.2.1:比较步骤3.1中得到的训练样本的结尾编号batch_end_i与当前的成员的结尾编号batch_end_now_i:若batch_end_now_i<batch_end_i,则令batch_begin_now_i=batch_begin_i以及batch_end_now_i=batch_end_i;在根据batch编号读取对应的训练样本,并得到每个batch的训练数据XAi和Ai中的label数据的标签Y。
步骤3.2.2:接着通过中心迭代次数T和训练成员Aj对应的迭代次数tAj,计算当前样本训练迭代次数与训练成员Aj的迭代次数差值ΔtAj,即ΔtAj=T-tAj。
步骤3.2.3:训练成员之间发送训练数据XAi和模型参数WAi,根据通讯连接状态和数据完整性,设定丢包率和通信最长等待时间门限,当丢包率小于门限并在规定时间内完成秘密分享信息的训练成员作为最终参与训练的成员,成员编号集合K={1,...,j,...},当前训练的参与成员的总数为n;
另一方面,利用秘密共享算法通过训练数据XAi和模型参数WAi同态相乘计算得到梯度h0;即:h0=(XA1,...,XAj,...)×(WA1,...,WAj,...);其中,j∈K且j≤N。
需要说明的是,在秘密共享算法运算过程中,将当前的迭代次数tAj作为样本数据验证信息,确保每次参与训练的样本数据具有相同的ID。
服务器获得训练数据XAi和模型参数WAi同态相乘计算得到梯度h0之前,实际上是需要获得哪些训练成员的数据是需要放到梯度h0这个公式中的。此时,服务器在计算梯度h0之前,需要核实一下当前迭代次数T与Aj方计算的tAj是不是一样的:如果一样的,说明可以计算;如果不一样,说明Aj方的迭代次数还没有计算到当前迭代次数T这一步来,不能参与此步计算。
步骤3.2.4:将标签Y、梯度h0、迭代次数差值ΔtAj发送服务器C。
步骤3.3:服务器模型训练和更新
具体包括步骤3.3.1-步骤3.3.2。
步骤3.3.1:服务器C接收到训练成员Aj发送的标签Y、梯度h0、迭代次数差值ΔtAj,验证接收到的训练成员Aj迭代次数tAj和步骤3.1中发送的中心迭代次数T是否相同:
若相同则继续执行;
若不同则继续等待训练成员Aj发送正确的梯度h0和标签Y。
步骤3.3.2:利用激活函数对梯度h0进行激活,对模型参数WAj进行神经网络前向传播,得到相应的损失函数。
具体地,
其中,激活函数只是将其非线性化,可采用其他激活函数代替。
步骤3.3.3:服务器C采用优化算法对PSI数据交集这一自身模型进行更新,得到服务器输入层的梯度Δh,并将服务器输入层的梯度Δh存储到梯度集合ΔH中。
具体地,
步骤3.4:服务器下发梯度
具体是指:
服务器C根据训练成员Aj的迭代次数差值ΔtAj从梯度集合ΔH中依次选取后ΔtAj个梯度矩阵组成为训练成员Aj对应的梯度集合ΔHj,并发送梯度集合ΔHj至训练成员Aj。
步骤3.5:更新训练成员模型
根据步骤3.4下发的ΔtAj个梯度,训练成员Aj利用优化算法,更新训练成员Aj内部模型参数WAj,
具体方法如下:
F)通过mtAj0=mtAj和vtAj0=vtAj更新一阶矩和二阶矩原始值,
其中:Δhjk∈ΔHj;
ΔHj是训练成员Aj所未计算的梯度集合;
Δhjk是ΔHj中各个元素,相当于各个训练成员Aj对应的梯度;
β1超参数,是一种常数,需调节,一般取值0.01-0.1;
β2超参数,是一种常数,需调节,一般取值0.95-0.99。
步骤3.6:继续循环执行步骤3.1-步骤3.6,直到完成设定的训练循环次数。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明中各训练成员分别独立累积一阶矩和二阶矩,保证了权重更新的独立性;且部分训练成员通信中断不影响整体训练进度,待通信恢复后还可利用迭代次数更新一阶矩和二阶矩,保证模型参数的准确性和鲁棒性;
(2)本发明通过算法中一阶矩和二阶矩提高了模型的收敛速度,提高了模型参数的自适应的调节能力,降低了超参调节的复杂度;
(3)本发明中服务端更新迭代次数并分发给训练成员,减少了通讯的信息量,降低了通讯时间。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
所用术语:
深度神经网络(Deep Neural Network DNN):一种包含输入层、多个隐层和输出层的人工神经网络,网络中的每层都由多个独立的神经元组成,相邻两层的神经元之间互相连接,同一层的神经元之间没有连接,每一个连接对应一个权重参数。
秘密共享:参与者分别拥有数据的一部分,通过随机数拆分的方式在保证自身秘密的前提下实现矩阵运算的算法。
训练成员:参与模型联合训练的每个数据拥有者。
垂直切分:ID相同,特征不同的数据。
水平切分:特征相同,ID不同的数据。
PSI协议:Private Set Intersection。
实施例1:
本实施例以数据垂直切分的多方进行联合训练为例,记:Ai、Aj均为为训练成员,N为训练成员总数,i,j=1,...,N且i≠j;即A1、A2、…、AN为联合训练中的数据所有者。服务器C作为训练的驱动中心。
本实施例具体包括以下步骤。
步骤1:数据对齐和拆分
多个训练成员之间利用PSI协议(Private Set Intersection)进行求交运算得到具有相同ID的数据交集,对数据交集进行编号,分别得到Ai(i=1,...,N)对应的数据集,且各个数据集中包含训练的label数据,记label数据的标签为Y;
然后,将各个数据集进行拆分得到对应的训练集XtrAi、验证集XvalAi、测试集XteAi;并提取训练集XtrAi的数据维度、样本个数nAi、特征个数fAi;i=1,...,N。
步骤2:通信及网络结构初始化
(2.1)初始化。服务器端确定深度神经网络的结构,即网络的层数和每层的节点数,其中分为训练成员内部的网络结构和服务器端的网络结构。设定每一个batch的样本个数batch_size=100。确定服务器及训练成员各自的通信IP地址。样本训练的迭代次数T=0。
训练成员Ai的迭代次数tAi初始化为0,即tAi=0,梯度集合ΔH初始化为空集。参与训练的成员起始编号batch_begin_now_i和batch_end_now_i初始化为0,初始化模型参数WAi和偏置向量bAi。
(2.2)训练成员之间进行通信握手。训练成员将数据维度进行广播,并确认所有训练成员Ai样本个数是否相同,如果nAi≠nAj,则返回步骤1重新进行求交运算,否则继续进行下一步。
(2.3)服务器端与训练成员进行通信握手。根据IP地址,服务器与训练成员进行通信连接,服务器将训练成员的网络结构发送给所有的训练成员Ai,同时训练成员Ai将各自的数据维度发送给服务器。
步骤3:中心驱动多方训练
(3.1)训练迭代次数更新
中心服务器的整体迭代次数T=T+1,中心服务器将迭代次数T下发至训练成员Ai。分别计算得到迭代次数差值:ΔtAi=T-tAi;更新迭代次数:tAi=T。训练成员Ai训练样本起始编号均为batch_begin_i=batch_size*(T-1),batch_end_i=batch_size*T。
(3.2)利用秘密共享算法得到服务端输入层数据
比较3.1中得到的batch_end_i与当前的batch_end_now_i:
若batch_end_now_i<batch_end_i,则令batch_begin_now_i=batch_begin_i,batch_end_now_i=batch_end_i。根据batch编号读取对应的训练样本,得到每个batch的训练数据XAi和Ai中的label数据Y。
训练成员之间发送训练数据XAi和模型参数WAi,根据通讯连接状态和数据完整性,设定丢包率和通信最长等待时间门限,当丢包率小于门限,并在规定时间内完成秘密分享信息的训练成员作为最终参与训练的成员,成员编号集合K={1,...,j,...},当前训练的参与成员的总数为n。利用秘密共享算法得到h0=(XA1,...,XAj,...)×(WA1,...,WAj,...),其中,j∈K且j≤N。
在秘密共享算法运算过程中,将当前的迭代次数tAj作为样本数据验证信息,确保每次参与训练的样本数据具有相同的ID。
将标签Y、梯度h0、迭代次数差值ΔtAj发送服务器
(3.3)服务器模型训练和更新
服务器C接收到训练成员Aj发送的标签Y、梯度h0、迭代次数差值ΔtAj,验证接收到的训练成员Aj迭代次数tAj和步骤3.1中发送的中心迭代次数T是否相同:如果相同则继续执行,如果不同则继续等待Aj发送正确的h0。利用激活函数对h0进行激活,对模型进行神经网络前向传播,得到相应的损失函数。服务器C采用优化算法对自身模型进行更新,得到服务器C输入层的梯度Δh,并将Δh存储到梯度集合ΔH中。
(3.4)服务器下发梯度
服务器C根据训练成员Aj的迭代次数差值ΔtAj从梯度集合ΔH中依次选取后ΔtAj个梯度矩阵组成为训练成员Aj对应的梯度集合ΔHj,并发送梯度集合ΔHj至训练成员Aj。
(3.5)训练成员模型更新
训练成员Aj利用优化算法,更新训练成员内部模型参数,具体方法如下:
F)更新一阶矩和二阶矩原始值:mtAj0=mtAj,vtAj0=vtAj;其中Δhjk∈ΔHj。
继续循环执行步骤3.1,直到完成设定的训练循环次数。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (9)
1.一种基于同态加密技术的3D打印多数据库共享优化算法,其特征在于:采用中心驱动多方训练的方式,利用秘密共享算法得到服务器端输入层数据,并分别获取各训练成员对应的迭代次数和服务器对应的中心迭代次数;且各训练成员分别独立累积一阶矩和二阶矩进行模型更新;最后通过使训练成员的迭代次数和中心迭代次数一致,进行多方训练成员训练进度的统一。
2.根据权利要求1所述的一种基于同态加密技术的3D打印多数据库共享优化算法,其特征在于:所述中心驱动多方训练,先更新训练迭代次数,接着利用秘密共享算法得到服务器端输入层数据,进行服务器模型训练和更新,并获得训练成员对应的迭代次数与中心迭代次数的迭代次数差值,然后由服务器根据迭代次数差值将对应的梯度集合下发至训练成员,最后更新训练成员模型;循环执行上述操作,直至完成设定的训练循环次数。
3.根据权利要求1或2所述的一种基于同态加密技术的3D打印多数据库共享优化算法,其特征在于:所述多数据库共享优化算法,具体包括以下步骤:
步骤1:数据对齐和拆分;
步骤2:通信及网络结构初始化;
步骤3:中心驱动多方训练;
其中,所述步骤3具体包括:
步骤3.1:更新训练迭代次数;
步骤3.2:利用秘密共享算法得到服务器端输入层数据;
步骤3.3:服务器模型训练和更新;
步骤3.4:服务器下发梯度;
步骤3.5:更新训练成员模型。
4.根据权利要求3所述的一种基于同态加密技术的3D打印多数据库共享优化算法,其特征在于:所述步骤3.1具体是指:服务器更新中心迭代次数T=T+1,服务器将更新后的迭代次数T下发至各训练成员Ai;通过ΔtAi=T-tAi分别计算得到迭代次数差值ΔtAi;并更新迭代次数tAi,即tAi=T;参与训练的训练样本的始末编号均为batch_begin_i、batch_end_i;
其中,
训练样本的起始编号为batch_begin_i,
且满足batch_begin_i=batch_size*(T-1);
训练样本的结尾编号为batch_end_i,
且满足batch_end_i=batch_size*T。
5.根据权利要求4所述的一种基于同态加密技术的3D打印多数据库共享优化算法,其特征在于:所述步骤3.2具体包括以下步骤:
步骤3.2.1:比较步骤3.1中得到的训练样本的结尾编号batch_end_i与当前的成员的结尾编号batch_end_now_i:若batch_end_now_i<batch_end_i,则令batch_begin_now_i=batch_begin_i以及batch_end_now_i=batch_end_i;在根据batch编号读取对应的训练样本,并得到每个batch的训练数据XAi和Ai中的label数据的标签Y;
步骤3.2.2:接着通过中心迭代次数T和训练成员Aj对应的迭代次数tAj,计算当前样本训练迭代次数与训练成员Aj的迭代次数差值ΔtAj,即ΔtAj=T-tAj;
步骤3.2.3:训练成员之间发送训练数据XAi和模型参数WAi,根据通讯连接状态和数据完整性,设定丢包率和通信最长等待时间门限,当丢包率小于门限并在规定时间内完成秘密分享信息的训练成员作为最终参与训练的成员,成员编号集合K={1,...,j,...},当前训练的参与成员的总数为n;
另一方面,利用秘密共享算法通过训练数据XAi和模型参数WAi同态相乘计算得到梯度h0;即:h0=(XA1,...,XAj,...)×(WA1,...,WAj,...);其中,j∈K且j≤N
步骤3.2.4:将标签Y、梯度h0、迭代次数差值ΔtAj发送服务器C。
6.根据权利要求5所述的一种基于同态加密技术的3D打印多数据库共享优化算法,其特征在于:所述步骤3.3具体包括以下步骤:
步骤3.3.1:服务器C接收到训练成员Aj发送的标签Y、梯度h0、迭代次数差值ΔtAj,验证接收到的训练成员Aj迭代次数tAj和步骤3.1中发送的中心迭代次数T是否相同:
若相同则继续执行;
若不同则继续等待训练成员Aj发送正确的梯度h0和标签Y;
步骤3.3.2:利用激活函数对梯度h0进行激活,对模型参数WAj进行神经网络前向传播,得到相应的损失函数;
步骤3.3.3:服务器C采用优化算法对PSI数据交集这一自身模型进行更新,得到服务器输入层的梯度Δh,并将服务器输入层的梯度Δh存储到梯度集合ΔH中;
步骤3.4:服务器C根据训练成员Aj的迭代次数差值ΔtAj从梯度集合ΔH中依次选取后ΔtAj个梯度矩阵组成为训练成员Aj对应的梯度集合ΔHj,并发送梯度集合ΔHj至训练成员Aj,完成服务器下发梯度的操作;
步骤3.5:根据步骤3.4下发的ΔtAj个梯度,训练成员Aj利用优化算法,更新训练成员Aj内部模型参数WAj,从而更新训练成员模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838802.5A CN112149158A (zh) | 2020-08-19 | 2020-08-19 | 一种基于同态加密技术的3d打印多数据库共享优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838802.5A CN112149158A (zh) | 2020-08-19 | 2020-08-19 | 一种基于同态加密技术的3d打印多数据库共享优化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149158A true CN112149158A (zh) | 2020-12-29 |
Family
ID=73888808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010838802.5A Pending CN112149158A (zh) | 2020-08-19 | 2020-08-19 | 一种基于同态加密技术的3d打印多数据库共享优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149158A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386336A (zh) * | 2022-03-22 | 2022-04-22 | 成都飞机工业(集团)有限责任公司 | 一种基于多方3d打印数据库联合训练的方法 |
CN114442968A (zh) * | 2022-02-10 | 2022-05-06 | 中交第一公路勘察设计研究院有限公司 | 一种3d打印工程参数匹配方法 |
CN114650134A (zh) * | 2022-03-31 | 2022-06-21 | 深圳前海环融联易信息科技服务有限公司 | 一种基于秘密共享的纵向隐私保护逻辑回归方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256916A (zh) * | 2018-01-17 | 2018-07-06 | 郑州智高电子科技有限公司 | 一种3d打印中心共享方法及其平台 |
CN108763955A (zh) * | 2018-05-20 | 2018-11-06 | 深圳市图灵奇点智能科技有限公司 | 行驶数据共享方法和装置、系统和计算机存储介质 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
CN110955915A (zh) * | 2019-12-14 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种隐私数据的处理方法及装置 |
CN111460528A (zh) * | 2020-04-01 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 一种基于Adam优化算法的多方联合训练方法及系统 |
-
2020
- 2020-08-19 CN CN202010838802.5A patent/CN112149158A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256916A (zh) * | 2018-01-17 | 2018-07-06 | 郑州智高电子科技有限公司 | 一种3d打印中心共享方法及其平台 |
CN108763955A (zh) * | 2018-05-20 | 2018-11-06 | 深圳市图灵奇点智能科技有限公司 | 行驶数据共享方法和装置、系统和计算机存储介质 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
CN110955915A (zh) * | 2019-12-14 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种隐私数据的处理方法及装置 |
CN111460528A (zh) * | 2020-04-01 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 一种基于Adam优化算法的多方联合训练方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442968A (zh) * | 2022-02-10 | 2022-05-06 | 中交第一公路勘察设计研究院有限公司 | 一种3d打印工程参数匹配方法 |
CN114442968B (zh) * | 2022-02-10 | 2023-09-22 | 中交第一公路勘察设计研究院有限公司 | 一种3d打印工程参数匹配方法 |
CN114386336A (zh) * | 2022-03-22 | 2022-04-22 | 成都飞机工业(集团)有限责任公司 | 一种基于多方3d打印数据库联合训练的方法 |
CN114650134A (zh) * | 2022-03-31 | 2022-06-21 | 深圳前海环融联易信息科技服务有限公司 | 一种基于秘密共享的纵向隐私保护逻辑回归方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149158A (zh) | 一种基于同态加密技术的3d打印多数据库共享优化算法 | |
Yao et al. | Two-stream federated learning: Reduce the communication costs | |
Malach et al. | Proving the lottery ticket hypothesis: Pruning is all you need | |
CN110929886B (zh) | 模型训练、预测方法及其系统 | |
CN107679618B (zh) | 一种静态策略定点化训练方法及装置 | |
CN112733967A (zh) | 联邦学习的模型训练方法、装置、设备及存储介质 | |
CN109117943B (zh) | 利用多属性信息增强网络表征学习的方法 | |
CN115587633A (zh) | 一种基于参数分层的个性化联邦学习方法 | |
Guo et al. | Membrane potential batch normalization for spiking neural networks | |
Ding et al. | NAP: Neural architecture search with pruning | |
Chowdhury et al. | Towards ultra low latency spiking neural networks for vision and sequential tasks using temporal pruning | |
CN114398976A (zh) | 基于bert与门控类注意力增强网络的机器阅读理解方法 | |
Liu et al. | Fedet: a communication-efficient federated class-incremental learning framework based on enhanced transformer | |
Fang et al. | EAT-NAS: Elastic architecture transfer for accelerating large-scale neural architecture search | |
CN117236421A (zh) | 一种基于联邦知识蒸馏的大模型训练方法 | |
CN113987255B (zh) | 基于联邦学习与秘密分享的多源密文图像检索方法 | |
CN111832637A (zh) | 基于交替方向乘子法admm的分布式深度学习分类方法 | |
Nikoloutsopoulos et al. | Personalized federated learning with exact stochastic gradient descent | |
Zhao et al. | Gram–Schmidt process based incremental extreme learning machine | |
CN115881209B (zh) | 一种rna二级结构预测的处理方法和装置 | |
Jagatap et al. | Learning relu networks via alternating minimization | |
CN111461229A (zh) | 一种基于目标传递和线搜索的深层神经网络优化及图像分类方法 | |
Esfahanizadeh et al. | Infoshape: Task-based neural data shaping via mutual information | |
CN115134114A (zh) | 基于离散混淆自编码器的纵向联邦学习攻击防御方法 | |
CN115130568A (zh) | 支持多参与方的纵向联邦Softmax回归方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |