CN113127931B - 基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法 - Google Patents
基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法 Download PDFInfo
- Publication number
- CN113127931B CN113127931B CN202110676618.XA CN202110676618A CN113127931B CN 113127931 B CN113127931 B CN 113127931B CN 202110676618 A CN202110676618 A CN 202110676618A CN 113127931 B CN113127931 B CN 113127931B
- Authority
- CN
- China
- Prior art keywords
- noise
- value
- gradient
- local
- central server
- 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
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioethics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法,设有中央服务器和若干个客户端,对若干个客户端的本地模型进行N轮训练并进行添加噪声后上传至中央服务器,对中央服务器的全局模型进行迭代训练。本发明不仅可以有效防止攻击者从客户端提交的训练模型参数中逆向腿短得到客户端参与者信息,同时还可以解决因为添加噪声导致的数据可用性下降的问题。通过私有化梯度之间的瑞丽距离计算噪声分布下的隐私预算,寻求隐私预算和识别准确率最佳的噪声分布进行添加,以实现隐私与性能的最佳平衡点。
Description
技术领域
本发明涉及数据安全领域,尤其是指基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法。
背景技术
联邦学习最早由McMahan等人在2016年提出:“我们之所以将我们的方法称为联邦学习,因为学习任务是通过由中央服务器协调的参与设备的松散联邦来解决的”。在联邦学习中,参与者通过接收当前最新的全局模型并在本地利用自身的数据集对全局模型进行迭代训练。训练完成后,将得到的本地模型参数上传给中央服务器。中央服务器对接收到的模型参数聚合得到新一轮的全局模型参数,因此联邦学习中将整个机器学习流程分解为最小的模块化单元,通过数据最小化为参与的用户提供一定程度上的隐私保护。参与者将训练完成的模型参数提交给中央服务器而不是提交原始数据。这样一来,原始数据保留在参与者本地而不是上传给中央服务器,在最大程度上防止参与者隐私泄露。
虽然联邦学习通过聚合多方训练模型参数而非原始数据集的方式,在最大程度上保护了用户数据隐私安全,但即便如此,攻击者仍可能通过某些手段可以从联邦学习训练过程中传输的模型参数信息中获取某些敏感信息,攻击者可以通过逆向学习的方式推断部分甚至全部数据。在文献“Deep leakage from gradients”中的研究表明,攻击者可以在无需任何有关训练集的先验知识的前提下从共享的模型参数中推断出标签并恢复原始训练样本,因此直接传输模型参数并不能很好地保护数据隐私,仍需要一种机制对传输的模型参数进行保护。
目前常见的方法是在模型训练过程中通过对模型参数添加满足差分隐私要求的
噪声来实现联邦学习下的数据隐私保护。差分隐私最早由Dwork等人在文献“The
algorithmic foundations of differential privacy”提出,其核心是通过对数据添加服
从特定分布的扰动以及噪声信息,使这些数据仍保持统计意义,但攻击者无法通过分析数
据结果得到用户的准确某一信息。对于任意两个相邻数据集和,给定某种随机化算
法F,将其分别作用于相邻数据集和,有以下式子:
其中,S为所有可能输出结果的集合,表示中的数据被推测得到的概
率。若满足上述公式,则称随机化算法提供差分隐私保护。称为差分隐私预算,该
参数用于衡量差分隐私系统对数据隐私保护的强度。的值越小,两个概率值就越相似,差
分隐私的保护效果就越好,但是差分隐私预算越小,也意味着向原始数据添加的噪声越大,
影响原始数据的实用性。
满足该定义的随机化算法F解决了攻击者可能通过分析数据从而得到某个具体信息的问题,因为即使攻击者将某条特定数据抽离,对特定统计结果不会产生过大影响。因此攻击者难以通过构造相邻数据集的方式分析特定信息与数据集中某些信息的关系。在实际使用中,常选择随机噪声作为某种随机化算法F,通常选择的噪声机制有一般的,为了对数据形的值进行隐私保护,引入拉普拉斯的噪声机制和高斯分布分布机制等。通过向原始数据加入噪声的办法,可以保护数据的隐私,但同时也会影响数据可用性数据可用性下降,训练后的模型的准确性大大降低。
发明内容
本发明的目的是克服现有技术中的缺陷,提供一种基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法。
本发明的目的是通过下述技术方案予以实现:
基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法,设有中央服务器和若干个客户端,对若干个客户端的本地模型进行N轮训练并进行添加噪声后上传至中央服务器,对中央服务器的全局模型进行迭代训练,对于单个客户端的本地模型的某一轮训练,具体包括以下步骤:
步骤1,从中央服务器下载全局模型参数作为本地模型参数,本地模型参数为各个损失函数参数,对各个损失函数参数求导得到当前梯度;
步骤2,裁剪限定每个当前梯度的敏感度,得到优化梯度值;
步骤3,对本地模型进行随机采样得到预选集合,并对预选集合里梯度向量的值进行排序;
步骤4,取预选集合里梯度向量前若干个值构成优化梯度向量,寻找预选集合中与优化梯度值余弦距离最近的梯度向量值;
步骤5,利用预选集合中与优化梯度值余弦距离最近的梯度向量值对优化梯度值进行编码,计算得到采样率;
步骤6,根据采样率对优化梯度值进行编码更新,并对更新后的优化梯度值添加噪声;
步骤7,对本地模型参数进行更新;
步骤8,通过瑞丽距离计算差分隐私预算;
步骤9,通过本地测试数据集对本地模型进行测试得到更新后的本地模型添加噪声分布后的准确率,并计算不同噪声对应的优势值;
步骤10,选取优势值最大的噪声分布作为本地模型此轮所添加的噪声,并上传添加该噪声下的本地模型参数至中央服务器。
本方案中,首先各客户端利用本地数据集结合服务器下载的全局模型参数训练本地模型,然后再本地模型的梯度反向传播过程中对梯度进行编码得到固定维数的私有化梯度,利用私有化梯度之间的瑞丽距离计算任意噪声分布下的差分隐私预算,然后通过计算噪声对应的优势值判别最终最优的噪声分布并实施添加,将添加差分隐私噪声后得到加噪模型传输至中央服务器,中央服务器将各个客户端的加噪模型进行聚合得到全局模型,然后将更新后的全局模型参数下发回各个客户端继续下一轮训练,完成整个联邦学习的过程。本方案的设计,不仅可以有效防止攻击者从客户端提交的训练模型参数中逆向腿短得到客户端参与者信息,同时还可以解决因为添加噪声导致的数据可用性下降的问题。通过私有化梯度之间的瑞丽距离计算噪声分布下的隐私预算,寻求隐私预算和识别准确率最佳的噪声分布进行添加,以实现隐私与性能的最佳平衡点。
作为优选,所述的步骤4中,若预选集合里梯度向量的维度数量小于优化梯度向量维度数量,则在预选集合梯度向量从大到小排序后添加0值直到预选集合梯度向量的维度数量与优化梯度向量维度数量相等。
作为优选,所述的步骤5具体包括以下子步骤:
子步骤2,遍历优化梯度向量中各变量的值,当遍历某一个变量l时,则执行以下过程:
作为优选,所述的步骤8具体为:
作为优选,所述的步骤10具体为选取不同的噪声分布,计算其对应的优势值,选取优势值最大的噪声分布作为添加的噪声分布,以交叉熵作为损失函数,分别计算拉普拉斯噪声机制和高斯分布机制计算其隐私预算值,以及添加噪声后的模型判别的准确率,若高斯分布噪声对应的值大于拉普拉斯噪声对应的值,则选择高斯分布噪声进行添加更新得到本地新模型,若高斯分布噪声对应的值不大于拉普拉斯噪声对应的值,则选择拉普拉斯噪声进行添加更新得到本地新模型,然后向中央服务器上传高斯分布噪声或拉普拉斯噪声下的本地新模型参数。
本发明的有益效果是:本发明不仅可以有效防止攻击者从客户端提交的训练模型参数中逆向腿短得到客户端参与者信息,同时还可以解决因为添加噪声导致的数据可用性下降的问题。通过私有化梯度之间的瑞丽距离计算噪声分布下的隐私预算,寻求隐私预算和识别准确率最佳的噪声分布进行添加,以实现隐私与性能的最佳平衡点。
附图说明
图1是本发明的一种实体关系图;
图2是本发明单个客户端的本地模型的某一轮训练的具体流程图;
其中:1、客户端,2、中央服务器。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例:
基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法,如图1所示,设有中央
服务器和若干个客户端,对若干个客户端的本地模型进行10轮训练并进行添加噪声后上传
至中央服务器,对中央服务器的全局模型进行迭代训练,对客户端的本地模型进行训练并
上传至中央服务器,对中央服务器的全局模型进行迭代训练是联邦学习的常规方法这里不
再赘述;对于第i个客户端的本地模型的t轮训练,,具体包括以下步骤,如图2
所示:
步骤2,裁剪限定每个当前梯度的敏感度,得到优化梯度值,计算过程如下:
其中C为超参数门限,C=1.5;
步骤3,对本地模型进行随机采样得到预选集合,并对预选集合里梯度向量的值进
行排序,具体为:通过标准高斯分布中进行随机采样得到n个随机向量,得到预选集合,预选集合中第j个随机向量的维数为k,,对向量各维度的值进行从大到小的排序得到,得到新的集合;
步骤4,若集合内的变量个数m>k,对集合内的值进行从大到小排序保留前k个值得到;若集合内的变量个数m<k,则按从大到小排序后添加0值生成包含k个
变量的集合,然后遍历集合中所有的向量,。计算与向量
的余弦距离,将余弦距离最小的向量记为,计算过程如下:
步骤5,利用预选集合中与优化梯度值余弦距离最近的梯度向量值对优化梯度值进行编码,计算得到采样率,具体包括以下子步骤:
子步骤2,遍历优化梯度向量中各变量的值,当遍历某一个变量l时,则执行以下过程:
步骤6,根据采样率对优化梯度值进行编码更新,并对更新后的优化梯度值添加噪
声,具体为将原中各变量值更新为向量对应变量编码后的值,对更新后添加噪
声,设噪声分布为,式中代表该分布的随机变量,代表该分布的期望,已知的维数为,定义为噪声分布定义域内第u次随机选取的值,则加噪过程
表示为:
步骤7,对本地模型参数进行更新,计算过程为:
步骤8,通过瑞丽距离计算差分隐私预算,具体为:
优势值越大表明该模型的准确率越高同时数据的隐私性越强;
步骤10,选取优势值最大的噪声分布作为本地模型此轮所添加的噪声,并上传添加该噪声下的本地模型参数至中央服务器,具体为选取不同的噪声分布,计算其对应的优势值,选取优势值最大的噪声分布作为添加的噪声分布,以交叉熵作为损失函数,分别计算拉普拉斯噪声机制和高斯分布机制计算其隐私预算值,以及添加噪声后的模型判别的准确率,若高斯分布噪声对应的值大于拉普拉斯噪声对应的值,则选择高斯分布噪声进行添加更新得到本地新模型,若高斯分布噪声对应的值不大于拉普拉斯噪声对应的值,则选择拉普拉斯噪声进行添加更新得到本地新模型,然后向中央服务器上传高斯分布噪声或拉普拉斯噪声下的本地新模型参数。
本方案中,首先各客户端利用本地数据集结合服务器下载的全局模型参数训练本地模型,然后再本地模型的梯度反向传播过程中对梯度进行编码得到固定维数的私有化梯度,利用私有化梯度之间的瑞丽距离计算任意噪声分布下的差分隐私预算,然后通过计算噪声对应的优势值判别最终最优的噪声分布并实施添加,将添加差分隐私噪声后得到加噪模型传输至中央服务器,中央服务器将各个客户端的加噪模型进行聚合得到全局模型,然后将更新后的全局模型参数下发回各个客户端继续下一轮训练,完成整个联邦学习的过程。本方案的设计,不仅可以有效防止攻击者从客户端提交的训练模型参数中逆向腿短得到客户端参与者信息,同时还可以解决因为添加噪声导致的数据可用性下降的问题。通过私有化梯度之间的瑞丽距离计算噪声分布下的隐私预算,寻求隐私预算和识别准确率最佳的噪声分布进行添加,以实现隐私与性能的最佳平衡点。
一种计算机设备,该计算机设备可以是中央服务器或客户端,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (3)
1.基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法,其特征是,设有中央服务器和若干个客户端,对若干个客户端的本地模型进行N轮训练并进行添加噪声后上传至中央服务器,对中央服务器的全局模型进行迭代训练,对于单个客户端的本地模型的某一轮训练,具体包括以下步骤:
步骤1,从中央服务器下载全局模型参数作为本地模型参数,本地模型参数为各个损失函数参数,对各个损失函数参数求导得到当前梯度;
步骤2,裁剪限定每个当前梯度的敏感度,得到优化梯度值;
步骤3,对本地模型进行随机采样得到预选集合,并对预选集合里梯度向量的值进行排序;
步骤4,取预选集合里梯度向量前若干个值构成优化梯度向量,寻找预选集合中与优化梯度值余弦距离最近的梯度向量值;
步骤5,利用预选集合中与优化梯度值余弦距离最近的梯度向量值对优化梯度值进行编码,计算得到采样率;
步骤6,根据采样率对优化梯度值进行编码更新,并对更新后的优化梯度值添加噪声;
步骤7,对本地模型参数进行更新;
步骤8,通过瑞丽距离计算差分隐私预算;
步骤9,通过本地测试数据集对本地模型进行测试得到更新后的本地模型添加噪声分布后的准确率,并计算不同噪声对应的优势值;
步骤10,选取优势值最大的噪声分布作为本地模型此轮所添加的噪声,并上传添加该噪声下的本地模型参数至中央服务器;
所述的步骤4中,若预选集合里梯度向量的维度数量小于优化梯度向量维度数量,则在预选集合梯度向量从大到小排序后添加0值直到预选集合梯度向量的维度数量与优化梯度向量维度数量相等;
所述的步骤5具体包括以下子步骤:
子步骤1,设置变量temp,初始值为0;
子步骤2,遍历优化梯度向量中各变量的值,当遍历某一个变量l时,则执行以下过程:
3.根据权利要求1所述的基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法,其特征是,所述的步骤10具体为选取不同的噪声分布,计算其对应的优势值,选取优势值最大的噪声分布作为添加的噪声分布,以交叉熵作为损失函数,分别计算拉普拉斯噪声机制和高斯分布机制计算其隐私预算值,以及添加噪声后的模型判别的准确率,若高斯分布噪声对应的值大于拉普拉斯噪声对应的值,则选择高斯分布噪声进行添加更新得到本地新模型,若高斯分布噪声对应的值不大于拉普拉斯噪声对应的值,则选择拉普拉斯噪声进行添加更新得到本地新模型,然后向中央服务器上传高斯分布噪声或拉普拉斯噪声下的本地新模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676618.XA CN113127931B (zh) | 2021-06-18 | 2021-06-18 | 基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676618.XA CN113127931B (zh) | 2021-06-18 | 2021-06-18 | 基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113127931A CN113127931A (zh) | 2021-07-16 |
CN113127931B true CN113127931B (zh) | 2021-09-03 |
Family
ID=76783185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110676618.XA Active CN113127931B (zh) | 2021-06-18 | 2021-06-18 | 基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113127931B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364372A (zh) * | 2020-10-27 | 2021-02-12 | 重庆大学 | 一种有监督矩阵补全的隐私保护方法 |
CN113591145B (zh) * | 2021-07-28 | 2024-02-23 | 西安电子科技大学 | 基于差分隐私和量化的联邦学习全局模型训练方法 |
CN113626866B (zh) * | 2021-08-12 | 2023-10-13 | 积至(海南)信息技术有限公司 | 一种面向联邦学习的本地化差分隐私保护方法、系统、计算机设备及存储介质 |
CN114118407B (zh) * | 2021-10-29 | 2023-10-24 | 华北电力大学 | 一种面向深度学习的差分隐私可用性度量方法 |
CN114595831B (zh) * | 2022-03-01 | 2022-11-11 | 北京交通大学 | 融合自适应权重分配和个性化差分隐私的联邦学习方法 |
CN114386583A (zh) * | 2022-03-24 | 2022-04-22 | 北京大学 | 一种用于保护标签信息的纵向联邦神经网络模型学习方法 |
CN115146313B (zh) * | 2022-07-05 | 2024-04-09 | 湖南大学 | 基于模型差值稀疏化的联邦学习差分隐私保护方法 |
CN115187576B (zh) * | 2022-08-04 | 2024-02-09 | 中国电子技术标准化研究院 | 一种基于双机制差分隐私的联邦学习肺结节检测方法 |
CN115640517A (zh) * | 2022-09-05 | 2023-01-24 | 北京火山引擎科技有限公司 | 多方协同模型训练方法、装置、设备和介质 |
CN115270001B (zh) * | 2022-09-23 | 2022-12-23 | 宁波大学 | 基于云端协同学习的隐私保护推荐方法及系统 |
CN115329898B (zh) * | 2022-10-10 | 2023-01-24 | 国网浙江省电力有限公司杭州供电公司 | 基于差分隐私策略的多属性数据发布方法及系统 |
CN115766137A (zh) * | 2022-11-03 | 2023-03-07 | 广州优刻谷科技有限公司 | 基于安全洗牌的联邦学习方法及系统 |
CN115587381B (zh) * | 2022-12-12 | 2023-04-07 | 四川大学华西医院 | 基于差分隐私的医疗诊断模型联合训练方法及系统 |
CN117591888B (zh) * | 2024-01-17 | 2024-04-12 | 北京交通大学 | 面向列车关键部件的集群自主学习故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091199A (zh) * | 2019-12-20 | 2020-05-01 | 哈尔滨工业大学(深圳) | 一种基于差分隐私的联邦学习方法、装置及存储介质 |
WO2020147965A1 (en) * | 2019-01-18 | 2020-07-23 | Huawei Technologies Co., Ltd. | Enhanced privacy federated learning system |
CN111523668A (zh) * | 2020-05-06 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 基于差分隐私的数据生成系统的训练方法及装置 |
CN111539769A (zh) * | 2020-04-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于差分隐私的异常检测模型的训练方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11139961B2 (en) * | 2019-05-07 | 2021-10-05 | International Business Machines Corporation | Private and federated learning |
-
2021
- 2021-06-18 CN CN202110676618.XA patent/CN113127931B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020147965A1 (en) * | 2019-01-18 | 2020-07-23 | Huawei Technologies Co., Ltd. | Enhanced privacy federated learning system |
CN111091199A (zh) * | 2019-12-20 | 2020-05-01 | 哈尔滨工业大学(深圳) | 一种基于差分隐私的联邦学习方法、装置及存储介质 |
CN111539769A (zh) * | 2020-04-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于差分隐私的异常检测模型的训练方法及装置 |
CN111523668A (zh) * | 2020-05-06 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 基于差分隐私的数据生成系统的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113127931A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113127931B (zh) | 基于瑞丽散度进行噪声添加的联邦学习差分隐私保护方法 | |
TWI764640B (zh) | 基於差分隱私的異常檢測模型的訓練方法及裝置 | |
CN109889538B (zh) | 用户异常行为检测方法及系统 | |
CN114462090B (zh) | 一种针对联邦学习中差分隐私预算计算的收紧方法 | |
Yin | Quantized identification with dependent noise and Fisher information ratio of communication channels | |
Barbarossa et al. | Learning from signals defined over simplicial complexes | |
CN112527273A (zh) | 一种代码补全方法、装置以及相关设备 | |
CN115795535A (zh) | 一种提供自适应梯度的差分私有联邦学习方法及装置 | |
CN110874638A (zh) | 面向行为分析的元知识联邦方法、装置、电子设备及系统 | |
CN114003900A (zh) | 变电站二次系统网络入侵检测方法、装置及系统 | |
CN116776155B (zh) | 一种基于联邦学习的模型训练方法、装置、设备和介质 | |
CN112862545A (zh) | 特征数据的处理方法以及电子设备 | |
CN115174237B (zh) | 一种物联网系统恶意流量的检测方法、装置和电子设备 | |
CN117093830A (zh) | 一种考虑局部与全局的用户负荷数据修复方法 | |
CN116842447A (zh) | 分类数据的后处理方法、装置、系统和电子装置 | |
CN111144424A (zh) | 一种基于聚类算法的人员特征检分析方法 | |
CN116258923A (zh) | 图像识别模型训练方法、装置、计算机设备和存储介质 | |
CN115098881A (zh) | 一种基于敏感等级划分的数据扰动方法及装置 | |
CN111368337B (zh) | 保护隐私的样本生成模型构建、仿真样本生成方法及装置 | |
CN113556731A (zh) | 位置服务中基于负调查的众包用户位置隐私保护方法 | |
CN112437051A (zh) | 网络风险检测模型负反馈训练方法、装置及计算机设备 | |
CN112148808A (zh) | 关系构建方法、装置和电子设备 | |
Li et al. | Linear screening for high‐dimensional computer experiments | |
CN117155546B (zh) | 分组密码类立方攻击的搜索方法、装置、电子设备及介质 | |
CN112700277B (zh) | 用户行为数据的处理方法和多行为序列转化模型训练方法 |
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 | ||
GR01 | Patent grant |