CN112699408B - 一种基于自编码器的穿戴设备数据隐私保护方法 - Google Patents

一种基于自编码器的穿戴设备数据隐私保护方法 Download PDF

Info

Publication number
CN112699408B
CN112699408B CN202011641349.5A CN202011641349A CN112699408B CN 112699408 B CN112699408 B CN 112699408B CN 202011641349 A CN202011641349 A CN 202011641349A CN 112699408 B CN112699408 B CN 112699408B
Authority
CN
China
Prior art keywords
encoder
self
data
block
formula
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.)
Active
Application number
CN202011641349.5A
Other languages
English (en)
Other versions
CN112699408A (zh
Inventor
苟聪
郑洪英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202011641349.5A priority Critical patent/CN112699408B/zh
Publication of CN112699408A publication Critical patent/CN112699408A/zh
Application granted granted Critical
Publication of CN112699408B publication Critical patent/CN112699408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F21/62—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
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于自编码器的穿戴设备数据隐私保护方法，属于穿戴设备技术领域。其包括：通过分块离散余弦变换将流数据转换为频谱数据块；构建并训练自编码器模型；构建并训练活动识别模型与身份识别模型；将活动识别模型与身份识别模型连接到自编码器的输出层，通过多目标损失函数再次训练自编码器；根据分块离散余弦变换，自编码器变换，逆分块离散余弦变换实时发布脱敏数据。本发明的基于自编码器的穿戴设备数据隐私保护方法，通过设计多目标损失函数来训练自编码器，能够更好地权衡效用性与隐私性。同时，提出将原数据通过Block‑DCT变换为频谱后再脱敏处理，避免了直接扰动原始时序数据，对于降低数据失真有重要意义。

Description

一种基于自编码器的穿戴设备数据隐私保护方法
技术领域
本发明涉及穿戴设备技术领域，具体涉及一种基于自编码器的穿戴设备数据隐私保护方法。
背景技术
穿戴设备技术的快速发展极大地方便了人们的生活，在运动、医疗、娱乐等多个领域发挥了重要作用。穿戴设备中嵌入的加速度、陀螺仪、磁感器等诸多传感器收集丰富的用户数据，用于分析用户的健康状态、运动行为等。然而，这些传感器数据却可能泄露用户隐私，如体重、性别、年龄等敏感信息，给用户带来不必要的麻烦，故而需要将传感器数据匿名化处理后再发布给第三方。
目前已有的研究成果大多关注于穿戴设备数据集的离线发布，并且在研究过程中已大量涉及了各类模型和算法。然而，对于云服务中的个人数据的实时发布的相关研究较少。该项研究存在三个目标：1)需要最大化数据在活动识别任务上的可用性；2)需要最小化数据在身份识别任务上的可用性；3)需要最小化数据失真。传统的隐私保护数据发布方法难以同时实现上述目标，而基于深度学习的数据发布方法则能够良好地权衡数据的可用性与隐私性。自编码器模型通过特征提取与数据重构实现端到端的数据变换，以对抗的方式训练自编码器可以使得提取的特征尽可能不包含敏感信息，从而保护个人隐私。
专利文献CN110175950A公开了一种基于可穿戴设备的隐私保护方法及可穿戴设备，该发明研究的是避免在视频通话中无意泄露他人面部信息，根据预设合法用户的面部特征在待处理视频图像中确定出显示区域和虚化区域，在虚化处理后再发送给接收端。但该项研究针对的数据类型是图像。
发明内容
有鉴于此，本发明的目的在于提供一种基于自编码器的穿戴设备数据隐私保护方法，从而在保护个人隐私的情况下，提供安全的活动识别服务。
经研究，本发明提供以下技术方案：
一种基于自编码器的穿戴设备数据隐私保护方法，包括以下步骤：
1)通过分块离散余弦变换将流数据转换为频谱数据块；
2)构建并训练自编码器模型；
3)构建并训练活动识别模型与身份识别模型；
4)将活动识别模型与身份识别模型连接到自编码器的输出层，通过多目标损失函数再次训练自编码器；
5)根据分块离散余弦变换，自编码器变换，逆分块离散余弦变换实时发布脱敏数据。
进一步的，所述步骤1)中，将穿戴设备传感器流数据划分为子序列，然后将子序列转换成频谱数据块。
进一步的，所述将穿戴设备传感器流数据划分为子序列，然后将子序列转换成频谱数据，具体为：将时序传感数据按滑动时间窗口W划分为子序列集合X；然后对每个子序列分别进行分块离散余弦变换(block discrete cosine transform,Block-DCT)；将各子块堆叠组合成频谱数据块，再利用公式Ⅰ对频谱数据块进行Z-score标准化:
式Ⅰ中，Xi表示第i个子序列；n表示子序列的数目；表示经Block-DCT变换后的第i个频谱数据块；μ表示所有频谱数据块的平均值；σ表示所有频谱数据块的标准差；Xf,i表示标准化后的第i个频谱数据块。
进一步的，所述步骤2)中，构建自编码器模型，自编码器模型由编码器与解码器串联构成，编码器包括多个卷积层，激活层和池化层，解码器包括多个转置卷积层，激活层和卷积层。
进一步的，所述激活层采用线性整流函数(Rectified Linear Unit,ReLU)；所述池化层采用最大池化(max-pooling)；所述转置卷积层可以实现上采样与升维，使解码器输出维度与编码器输入维度一致，且解码器的输入为编码器的输出，然后，通过式Ⅱ计算均方误差(mean square error,MSE)损失来训练自编码器:
式Ⅱ中，Enc表示编码器；Xf表示输入的频谱数据块；XZ表示编码器的输出；Dec表示解码器；表示解码器的输出；MSE表示均方误差。
进一步的，所述步骤3)中，构建并训练活动识别模型与身份识别模型，具体为：训练可识别自编码器输出对应活动类别或身份类别的分类器；通过编码器得到Xf的编码结果XZ；通过解码器得到XZ的编码结果以XZ作为输入，分别构建活动识别分类器EncAct与身份识别分类器EncId；以/>作为输入，分别构建活动识别分类器DecAct与身份识别分类器DecId；通过交叉熵损失函数式Ⅲ来分别训练各分类器:
式Ⅲ中，Lclf表示交叉熵计算公式；Y表示真实标签；表示预测标签；M表示真实的活动标签；P表示真实的身份标签；/>分别表示EncAct、EncId、DecAct、DecId相应的预测结果；LEncAct、LEncAct、LDecAct、LDecId分别表示EncAct、EncId、DecAct、DecId相应的交叉熵损失。
进一步的，所述步骤4)中，将训练好的EncAct与EncId分类器分别连接到编码器的输出层；将训练好的DecAct与DecId分类器分别连接到解码器的输出层；再次以Xf作为输入，通过多目标损失函数来训练自编码器。
进一步的，所述多目标损失由分类损失、隐私损失、重构失真损失构成；
根据式Ⅳ计算活动识别分类损失Lu：
式Ⅳ中，M表示真实的活动标签；表示EncAct预测的活动标签；/>表示DecAct预测的活动标签；αe与αd表示非负权重超参数；
根据式Ⅴ计算身份识别隐私损失Lp：
式Ⅴ中，P表示真实的身份标签；表示EncId预测的身份标签；/>表示DecId预测的身份标签；1N表示全1的长度为N的一维向量；max表示计算向量中的最大值；βe与βd表示非负权重超参数；
根据式Ⅵ计算重构失真损失L r：
式Ⅵ中，Xf表示输入的频谱数据块；表示解码器的输出结果；
根据式Ⅶ计算多目标损失Lall：
Lall＝Lu+Lp+Lr 式Ⅶ
进一步的，所述步骤5)中，在训练好自编码器后，即可发布匿名数据；将流数据按滑动窗口划分为子序列，对其做Block-DCT变换，然后输入自编码器中得到脱敏的频谱数据块，利用与Block-DCT互逆的逆分块离散余弦变换(inversed block discrete cosinetransform,Block-IDCT)重构回时序子序列，发布给第三方。
本发明的有益效果在于：
本发明的一种基于自编码器的穿戴设备数据隐私保护方法，针对现有方法在保护数据效用性方面不足的问题，设计多目标损失函数来训练自编码器，能够更好地权衡效用性与隐私性。同时，提出将原数据通过Block-DCT变换为频谱后再脱敏处理，避免了直接扰动原始时序数据，对于降低数据失真有重要意义。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
图1为本发明的一种基于自编码器的穿戴设备数据隐私保护方法的总体流程示意图；
图2为本发明的一种基于自编码器的穿戴设备数据隐私保护方法中自编码器的网络结构图。
具体实施方式
为使本发明的技术方案、优点和目的更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图1所示，一种基于自编码器的穿戴设备数据隐私保护方法，包括以下步骤：
步骤1)通过Block-DCT算法将穿戴设备传感器流数据转换成频谱数据，具体包括以下步骤：
步骤1.1：将时序传感数据按滑动时间窗口W划分为子序列集合X；
步骤1.2：通过Block-DCT算法将每个子序列变换为频谱数据块，具体包括以下步骤：
步骤1.2.1：将X按时间维度分割为c个子块；
步骤1.2.2：对各子块分别进行DCT变换；
步骤1.2.3：将所有子块堆叠组合为待处理的频谱数据块；
步骤1.3：利用式Ⅰ对频谱数据块进行Z-score标准化:
式Ⅰ中，Xi表示第i个子序列；n表示子序列的数目；表示经Block-DCT变换后的第i个频谱数据块；μ表示所有频谱数据块的平均值；σ表示所有频谱数据块的标准差；Xf,i表示标准化后的第i个频谱数据块；
步骤2)构建并训练自编码器模型，具体包括以下步骤：
步骤2.1：构建自编码器模型，即自编码器网络结构，如图2所示的自编码器网络结构由编码器与解码器串联构成；编码器主要有多个卷积层、激活层、池化层组成，解码器主要由多个转置卷积层、激活层、卷积层组成；其中，激活层为线性整流函数(RectifiedLinear Unit,ReLU)，池化层采用最大池化(max-pooling)，转置卷积可以实现上采样与升维，使解码器输出维度与编码器输入维度一致；将编码器的输出层连接到解码器的输入层，构成自编码器模型；
步骤2.2：训练自编码器，通过式Ⅱ计算均方误差(mean square error,MSE)损失来训练自编码器:
式Ⅱ中，Enc表示编码器；Xf表示输入的频谱数据块；XZ表示编码器的输出；Dec代表解码器；代表解码器输出；
步骤2.3：通过反向传播和Adam算法训练网络，待验证集MSE损失不再降低后停止训练，保存自编码器模型参数；
步骤3)构建并训练活动识别模型与身份识别模型。具体包括以下步骤：
步骤3.1：加载训练好的编码器与解码器；
步骤3.2：将Xf输入到编码器中，得到输出XZ；
步骤3.3：将XZ输入到解码器中，得到输出
步骤3.3：构建分类模型网络结构，所有分类器皆通过卷积层、激活层、池化层、批量归一化层和全连接层构建。具体包括以下步骤：
步骤3.3.1：以XZ作为输入，分别构建活动识别分类器EncAct与身份识别分类器EncId；
步骤3.3.2：以作为输入，分别构建活动识别分类器DecAct与身份识别分类器DecId；
步骤3.4：通过交叉熵损失函数式Ⅲ来分别训练各分类器:
式Ⅲ中,Lclf表示交叉熵计算公式；Y表示真实标签；表示预测标签；M表示真实的活动标签；P表示真实的身份标签；/>分别表示EncAct、EncId、DecAct、DecId相应的预测结果；
LEncAct、LEncAct、LDecAct、LDecId分别表示EncAct、EncId、DecAct、DecId相应的交叉熵损失；
步骤3.5：待分类模型训练收敛后，保存模型参数；
步骤4)利用活动识别模型与身份识别模型计算自编码器输出的分类损失和隐私损失，与重构损失一起构成多目标损失，再次训练自编码器。具体包括以下步骤：
步骤4.1：将训练好的EncAct与EncId分类器分别连接在编码器的输出层后；
步骤4.2：将训练好的DecAct与DecId分类器分别连接在解码器的输出层后；
步骤4.3：冻结EncAct、EncId、DecAct、DecId的网络权重；
步骤4.4：再次以Xf作为输入，通过多目标损失函数来训练自编码器；具体包括以下步骤：
步骤4.4.1：根据式Ⅳ计算活动识别分类损失Lu：
式Ⅳ中，M表示真实的活动标签；表示EncAct预测的活动标签；/>表示DecAct预测的活动标签；αe与αd为非负权重超参数；
步骤4.4.2：根据式Ⅴ计算身份识别隐私损失Lp：
式Ⅴ中，P表示真实的身份标签；表示EncId预测的身份标签；/>表示DecId预测的身份标签；1N表示全1的长度为N的一维向量；max计算向量中的最大值；βe与βd为非负权重超参数；
步骤4.4.3：根据式Ⅵ计算重构失真损失Lr：
式Ⅵ中，Xf表示输入的频谱数据块；表示解码器的输出结果；
步骤4.4.3：根据式Ⅶ计算多目标损失Lall：
Lall＝Lu+Lp+Lr 式Ⅶ
步骤4.5：以Lall作为联合损失训练自编码器，待收敛后保存自编码器模型参数；
步骤5)利用Block-DCT、自编码器、Block-IDCT实现脱敏匿名发布；具体包括以下步骤：
步骤5.1：加载自编码器模型；
步骤5.2：将测试传感器数据按滑动时间窗口W划分为子序列X；
步骤5.3：利用Block-DCT将X变换为频谱Xf；
步骤5.4：将Xf输入自编码器，得到输出
步骤5.5：利用Block-IDCT将变换为时序数据/>具体包括以下步骤：
步骤5.5.1：对中堆叠的c个子块分别进行IDCT变换；
步骤5.5.2：将堆叠的c个子块平铺展开得到使其与X维度一致；
步骤5.6：将变换的子序列发布给第三方。
在Motion-Sense数据集上的实验表明，利用该算法实行脱敏后，活动识别的准确度由95.6％降低至93.5％，而身份识别的准确度由93.2％降低至6.5％，重构失真仅为0.69，从而证明了本发明的一种基于自编码器的穿戴设备数据隐私保护方法能够良好地保护穿戴设备传感器数据的效用性并且降低个人隐私泄露的风险。
本发明的一种基于自编码器的穿戴设备数据隐私保护方法，针对现有方法在保护数据效用性方面不足的问题，设计多目标损失函数来训练自编码器，能够更好地权衡效用性与隐私性。同时，提出将原数据通过Block-DCT变换为频谱后再脱敏处理，避免了直接扰动原始时序数据，对于降低数据失真有重要意义。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (6)

1.一种基于自编码器的穿戴设备数据隐私保护方法，其特征在于，包括以下步骤：
1)通过分块离散余弦变换将流数据转换为频谱数据块；
2)构建并训练自编码器模型；
所述步骤2)中，构建自编码器模型，自编码器模型由编码器与解码器串联构成，编码器包括多个卷积层，激活层和池化层，解码器包括多个转置卷积层，激活层和卷积层；
所述激活层采用线性整流函数(Rectified Linear Unit,ReLU)；所述池化层采用最大池化(max-pooling)；所述转置卷积层可以实现上采样与升维，使解码器输出维度与编码器输入维度一致，且解码器的输入为编码器的输出，然后，通过式Ⅱ计算均方误差(meansquare error,MSE)损失来训练自编码器:
式Ⅱ中，Enc表示编码器；Xf表示输入的频谱数据块；XZ表示编码器的输出；Dec表示解码器；表示解码器的输出；MSE表示均方误差；
3)构建并训练活动识别模型与身份识别模型；
所述步骤3)中，构建并训练活动识别模型与身份识别模型，具体为：训练可识别自编码器输出对应活动类别或身份类别的分类器；通过编码器得到Xf的编码结果XZ；通过解码器得到XZ的编码结果以XZ作为输入，分别构建活动识别分类器EncAct与身份识别分类器EncId；以/>作为输入，分别构建活动识别分类器DecAct与身份识别分类器DecId；通过交叉熵损失函数式Ⅲ来分别训练各分类器:
式Ⅲ中，Lclf表示交叉熵计算公式；Y表示真实标签；表示预测标签；M表示真实的活动标签；P表示真实的身份标签；/>分别表示EncAct、EncId、DecAct、DecId相应的预测结果；LEncAct、LEncAct、LDecAct、LDecId分别表示EncAct、EncId、DecAct、DecId相应的交叉熵损失；
4)将活动识别模型与身份识别模型连接到自编码器的输出层，通过多目标损失函数再次训练自编码器；
5)根据分块离散余弦变换，自编码器变换，逆分块离散余弦变换实时发布脱敏数据。
2.根据权利要求1所述基于自编码器的穿戴设备数据隐私保护方法，其特征在于，所述步骤1)中，将穿戴设备传感器流数据划分为子序列，然后将子序列转换成频谱数据块。
3.根据权利要求2所述基于自编码器的穿戴设备数据隐私保护方法，其特征在于，所述将穿戴设备传感数据划分为子序列，然后将子序列转换成频谱数据，具体为：将时序传感流数据按滑动时间窗口W划分为子序列集合X；然后对每个子序列分别进行分块离散余弦变换(blockdiscretecosinetransform,Block-DCT)；将各子块堆叠组合成频谱数据块，再利用公式Ⅰ对频谱数据块进行Z-score标准化:
式Ⅰ中，Xi表示第i个子序列；n表示子序列的数目；表示经Block-DCT变换后的第i个频谱数据块；μ表示所有频谱数据块的平均值；σ表示所有频谱数据块的标准差；Xf,i表示标准化后的第i个频谱数据块。
4.根据权利要求1所述基于自编码器的穿戴设备数据隐私保护方法，其特征在于，所述步骤4)，将训练好的EncAct与EncId分类器分别连接到编码器的输出层；将训练好的DecAct与DecId分类器分别连接到解码器的输出层；再次以Xf作为输入，通过多目标损失函数来训练自编码器。
5.根据权利要求4所述基于自编码器的穿戴设备数据隐私保护方法，其特征在于，所述多目标损失由分类损失、隐私损失、重构失真损失构成；
根据式Ⅳ计算活动识别分类损失Lu：
式Ⅳ中，M表示真实的活动标签；表示EncAct预测的活动标签；/>表示DecAct预测的活动标签；αe与αd表示非负权重超参数；
根据式Ⅴ计算身份识别隐私损失Lp：
式Ⅴ中，P表示真实的身份标签；表示EncId预测的身份标签；/>表示DecId预测的身份标签；1N表示全1的长度为N的一维向量；max表示计算向量中的最大值；βe与βd表示非负权重超参数；
根据式Ⅵ计算重构失真损失Lr：
式Ⅵ中，Xf表示输入的频谱数据块；表示解码器的输出结果；
根据式Ⅶ计算多目标损失Lall：
Lall＝Lu+Lp+Lr式Ⅶ。
6.根据权利要求1所述基于自编码器的穿戴设备数据隐私保护方法，其特征在于，所述步骤5)中，在训练好自编码器后，即可发布匿名数据；将流数据按滑动窗口划分为子序列，对其做Block-DCT变换，然后输入自编码器中得到脱敏的频谱数据块，利用与Block-DCT互逆的逆分块离散余弦变换(inversedblock discrete cosine transform,Block-IDCT)重构回时序子序列，发布给第三方。
CN202011641349.5A 2020-12-31 2020-12-31 一种基于自编码器的穿戴设备数据隐私保护方法 Active CN112699408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011641349.5A CN112699408B (zh) 2020-12-31 2020-12-31 一种基于自编码器的穿戴设备数据隐私保护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011641349.5A CN112699408B (zh) 2020-12-31 2020-12-31 一种基于自编码器的穿戴设备数据隐私保护方法

Publications (2)

Publication Number Publication Date
CN112699408A CN112699408A (zh) 2021-04-23
CN112699408B true CN112699408B (zh) 2024-06-21

Family

ID=75514099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011641349.5A Active CN112699408B (zh) 2020-12-31 2020-12-31 一种基于自编码器的穿戴设备数据隐私保护方法

Country Status (1)

Country Link
CN (1) CN112699408B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018121775A1 (en) * 2016-12-30 2018-07-05 SZ DJI Technology Co., Ltd. System and methods for feedback-based data transmission
EP3402104B1 (en) * 2017-05-12 2020-08-05 Intel IP Corporation Methods and devices for 3d modulation with beam hopping
CN108537271B (zh) * 2018-04-04 2021-02-05 重庆大学 一种基于卷积去噪自编码机防御对抗样本攻击的方法
CN110020623B (zh) * 2019-04-04 2021-01-15 中山大学 基于条件变分自编码器的人体活动识别系统及方法
US20200349376A1 (en) * 2019-05-01 2020-11-05 Qualcomm Incorporated Privacy augmentation using counter recognition
CN110299194B (zh) * 2019-06-06 2022-11-08 昆明理工大学 基于综合特征表示与改进宽深度模型的相似病例推荐方法
CN111400754B (zh) * 2020-03-11 2021-10-01 支付宝(杭州)信息技术有限公司 保护用户隐私的用户分类系统的构建方法及装置
CN111401273B (zh) * 2020-03-19 2022-04-29 支付宝(杭州)信息技术有限公司 一种用于隐私保护的用户特征提取系统及设备
CN111313945B (zh) * 2020-03-19 2021-02-09 东南大学 一种降低毫米波mimo系统峰均比的方法
CN111523146B (zh) * 2020-07-03 2020-09-29 支付宝(杭州)信息技术有限公司 实现隐私保护的数据处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于非对称卷积自编码器和支持向量机的入侵检测模型;王佳林;《网络与信息安全学报》;20190109;第4卷(第11期);第58-68页 *

Also Published As

Publication number Publication date
CN112699408A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
Qin et al. Imaging and fusing time series for wearable sensor-based human activity recognition
Tang et al. Weighted group sparse representation for undersampled face recognition
CN109255392B (zh) 基于非局部神经网络的视频分类方法、装置及设备
Zhang et al. An improved deep computation model based on canonical polyadic decomposition
CN112818764B (zh) 一种基于特征重建模型的低分辨率图像人脸表情识别方法
CN114611705A (zh) 数据处理方法、机器学习的训练方法及相关装置、设备
CN104077742B (zh) 基于Gabor特征的人脸素描合成方法及系统
Savvaki et al. Matrix and tensor completion on a human activity recognition framework
WO2022105117A1 (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
Tang et al. Image denoising via sparse coding using eigenvectors of graph Laplacian
Mathivanan et al. QR code based patient data protection in ECG steganography
CN114283495B (zh) 一种基于二值化神经网络的人体姿态估计方法
CN112217663B (zh) 一种轻量型卷积神经网络安全预测方法
Mukhedkar et al. Fast face recognition based on Wavelet Transform on PCA
CN116229530A (zh) 图像处理方法、装置、存储介质及电子设备
CN115761398A (zh) 基于轻量化神经网络及维度拓展的轴承故障诊断方法
Zhu et al. Applying 1D sensor DenseNet to Sussex-Huawei locomotion-transportation recognition challenge
Punyani et al. Human age-estimation system based on double-level feature fusion of face and gait images
CN116977763A (zh) 模型训练方法、装置、计算机可读存储介质及计算机设备
Gaidhane et al. Emotion recognition using eigenvalues and Levenberg–Marquardt algorithm-based classifier
CN117391225A (zh) 数据处理方法、设备及介质
CN112699408B (zh) 一种基于自编码器的穿戴设备数据隐私保护方法
Feng et al. DHAN: Encrypted JPEG image retrieval via DCT histograms-based attention networks
Zafar et al. An IoT method for telemedicine: Lossless medical image compression using local adaptive blocks
CN116543419B (zh) 基于嵌入式平台的酒店卫勤人员穿戴检测方法及系统

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
GR01 Patent grant