CN113516199B - 一种基于差分隐私的图像数据生成方法 - Google Patents

一种基于差分隐私的图像数据生成方法 Download PDF

Info

Publication number
CN113516199B
CN113516199B CN202110872920.2A CN202110872920A CN113516199B CN 113516199 B CN113516199 B CN 113516199B CN 202110872920 A CN202110872920 A CN 202110872920A CN 113516199 B CN113516199 B CN 113516199B
Authority
CN
China
Prior art keywords
data
privacy
generator
clusters
cluster
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
CN202110872920.2A
Other languages
English (en)
Other versions
CN113516199A (zh
Inventor
王庆生
董于杰
高志煕
杨顺
陈永乐
邱鹏飞
安俊杰
范军俊
王庆伟
张云仙
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.)
Shanxi Qingzhong Technology Co ltd
Original Assignee
Shanxi Qingzhong Technology Co ltd
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 Shanxi Qingzhong Technology Co ltd filed Critical Shanxi Qingzhong Technology Co ltd
Priority to CN202110872920.2A priority Critical patent/CN113516199B/zh
Publication of CN113516199A publication Critical patent/CN113516199A/zh
Application granted granted Critical
Publication of CN113516199B publication Critical patent/CN113516199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于保障机器学习安全的技术领域，具体是一种基于差分隐私的图像数据生成方法。S1～通过层次聚类方法，用卷积神经网络的提取数据的特征，将每一个样本点都视为一个单独的类别，之后依次计算样本点之间的相似度,将相似度接近的样本聚合成一类，不断地进行簇的合并直到最终得到将图像划分成多个聚类的要求；S2～使用基于差分隐私的生成对抗网络训练得到的每一个聚类；S3～使用R´enyi Differential Privacy Accountant追踪生成对抗网络每次迭代中的隐私损失；S4～每一次随机地抽取一个聚类进行数据生成，直到所有的聚类都被抽取完则停止，最后将每个聚类通过人工神经网络得到的数据进行合成，就得到了满足一般深度学习模型的数据集。

Description

一种基于差分隐私的图像数据生成方法
技术领域
本发明属于保障机器学习安全的技术领域，具体是一种基于差分隐私的图像数据生成方法。
背景技术
目前运用差分隐私来保障机器学习主要有三大类，分别是数据集在进入机器学习模型训练之前运用差分隐私进行数据预处理，差分隐私保障数据集在机器学习过程中的安全和差分隐私保障数据集在机器学习训练之后的安全。虽然后两种方法能一定程度上抵御第三方的攻击，但是在某一些场合下机器学习模型本身就是一个不被信任的个体。如果我们不做任何预处理，直接将整个数据输送到机器模型中，那么机器学习模型就可能获取到数据集中的一些隐私数据，从而造成用户的隐私泄露。这对数据所有者来说并不是一个特别友好的事情，而通过差分隐私进行数据预处理则可以很好地避免隐私数据被机器学习模型给窃取。由D. Su等人提出差分隐私k-means算法（D. Su, J. Cao, N. Li, E. Bertino,and H. Jin. Differentially private k-means clustering. In ACM CODASPY,2016.），他们把数据集分成了k个聚类，再进行特征剪裁和加入噪声以此来保障隐私。但是这种只能运用于低维特征的数据集并且在添加噪声的过程中依赖于数据的L2范式。由Martin Arjovsky等人提出的Wasserstein GAN(WGAN)（Martin Arjovsky,SoumithChintala, and L´eon Bottou1.Wasserstein GAN, 2017），通过删除判别器最后一层的sigmoid函数，不再对生成器和判别器取损失函数以及每次更新判别器的参数之后把他们的绝对值截断到不超过一个固定的常数。但是整个过程中机器模型没有执行安全措施，在生成图像的过程中也就没有足够的隐私保障。由M. Abadi等人提出的MomentAccount的（MA）（M. Abadi, A. Chu, I. Goodfellow, H. B. McMahan, I. Mironov,K. Talwar,and L. Zhang. Deep learning with differential privacy. In ACM CCS, 2016）通过追踪每个时刻的尾部边界来计算隐私损失，可以及时有效的避免泄漏的隐私超过隐私预算，但是MA在复杂问题追踪隐私损失时并没有表现得那么优异。
发明内容
本发明为了提高在生成数据过程中的隐私性以及合成后的数据在机器学习中的可用性，提供一种基于差分隐私的图像数据生成方法。
本发明采取以下技术方案：一种基于差分隐私的图像数据生成方法，包括以下步骤。
S1～通过层次聚类方法，用卷积神经网络的提取数据的特征，将每一个样本点都视为一个单独的类别，之后依次计算样本点之间的相似度,将相似度接近的样本聚合成一类，不断地进行簇的合并直到最终得到将图像划分成多个聚类的要求，用卷积神经网络的提取数据的特征，卷积核本身是多个不同的滤波器，它可以网络随机初始化之后再通过梯度下降算法来进行更新，根据指定的标签来不断修正卷积核的参数。卷积核与图像进行点乘，能提取到图像的特征
Figure 100002_DEST_PATH_IMAGE001
，将每一个样本点都视为一个单独的类别
Figure 771829DEST_PATH_IMAGE002
，之后依次计算样本点之间的相似度，相似度矩阵计算公式为：
Figure 100002_DEST_PATH_IMAGE003
，其中
Figure 976546DEST_PATH_IMAGE004
，a和Ks，是预先设定的参数，
Figure 100002_DEST_PATH_IMAGE005
表示
Figure 175446DEST_PATH_IMAGE006
的Ks个最近的邻居。将这些与
Figure 100002_DEST_PATH_IMAGE007
相邻的聚类按照相似度从大到小进行排序，与
Figure 765696DEST_PATH_IMAGE007
相似度最大的一个会和
Figure 24639DEST_PATH_IMAGE007
融合成一个新的聚类。根据它们的时间状态，我们会给他们的标签y上打上一个时间戳t。我们训练卷积神经网络是在一个递归型框架中，这就可以使用上一轮的聚类标签
Figure 716652DEST_PATH_IMAGE008
结合在一起来预测当前的聚类标签
Figure 100002_DEST_PATH_IMAGE009
, 不断地执行聚类，直到我们获得所需的聚类数量。
S2～使用基于差分隐私的生成对抗网络训练得到的每一个聚类，首先我们会初始化判别器参数
Figure 643544DEST_PATH_IMAGE010
和生成器参数
Figure 100002_DEST_PATH_IMAGE011
。然后我们通过随机噪声产生一串随机数，生成器根据这一串随机数生成一组新的数据，并希望以此“欺骗”判别器。在训练判别器时，我们会固定生成器的参数，我们从真实数据中抽取样本
Figure 166929DEST_PATH_IMAGE012
和从上一轮生成器所生成的样本
Figure 100002_DEST_PATH_IMAGE013
进行拼接成一个新的数据
Figure 534457DEST_PATH_IMAGE014
，
Figure 100002_DEST_PATH_IMAGE015
代表均匀分布；接着我们在判别器中计算梯度
Figure 697454DEST_PATH_IMAGE016
，进行梯度裁剪
Figure 100002_DEST_PATH_IMAGE017
，λ表示梯度惩罚项的系数，C表示梯度剪裁的边界；为了保证数据在深度学习模型中的隐私性，我们在梯度加入差分隐私中的高斯噪声
Figure 175839DEST_PATH_IMAGE018
，M表示随机算法，d表示一个小的数据集，σ表示噪声尺度，I是超参数；用RDP Account来更新这一次的隐私会计；更新判别参数
Figure 100002_DEST_PATH_IMAGE019
，
Figure 6261DEST_PATH_IMAGE020
表示Adam超参数，m表示一个训练批量的大小。在循环更新k次的判别器参数后，我们会传递一个向量给生成器，再次随机生成一组向量继续训练生成器，更新生成器参数
Figure 100002_DEST_PATH_IMAGE021
。
S3～使用R´enyi Differential Privacy Accountant追踪生成对抗网络每次迭代中的隐私损失
Figure 341427DEST_PATH_IMAGE022
，
Figure 100002_DEST_PATH_IMAGE023
表示当前的隐私预算，
Figure 8032DEST_PATH_IMAGE024
和α表示概率，
Figure 100002_DEST_PATH_IMAGE025
和
Figure 273797DEST_PATH_IMAGE026
表示一个小批量数据集，
Figure 100002_DEST_PATH_IMAGE027
表示一个完整的数据集,
Figure 771775DEST_PATH_IMAGE028
表示选取函数；差分隐私的强组合性可以为我们保证每一次的迭代的隐私损失都是可叠加的，只要最后的隐私损失之和不超过我们开始设定好的
Figure 215526DEST_PATH_IMAGE023
。
S4～每一次随机地抽取一个聚类进行数据生成，直到所有的聚类都被抽取完则停止，最后将每个聚类通过人工神经网络得到的数据进行合成，就得到了满足一般深度学习模型的数据集。
与现有技术相比，本发明具有以下有益效果：
1. 本发明引入了层次聚类方法，通过表征学习提高了对图像特征提取的精确度从而使数据集得到更好地划分。层次聚类是一种应对图像处理特别有效的手段，它是一种以过聚类开始的聚类方式，即使卷积神经网络一开始没有学习到好的表征，他仍然是可依靠；随着更好的表征不断地被学习到，这种过聚类也就会慢慢地消失。并且层次聚类可以处理大规模的图像数据集，从而可以保证聚类后的每一个聚类都有充足的样本，有着足够的样本生成对抗网络就可以生成更加准确的数据。
2. 本发明是把原始数据划分成多个聚类，每个聚类包含的都是相似的样本，相较于直接把整个数据集当成人工神经网络的输入数据，每个聚类单独训练可以生成更加准确的样本。如果不划分多个聚类而直接训练一个完整的数据，人工神经网络需要训练更多轮的次数，同时在训练过程中也需要加入更大的噪声来保证隐私，但是这显然会降低生成数据的准确度，我们把原始数据划分成多个聚类，单独训练每个聚类不仅可以减少训练次数，并且在保证有着相同的隐私安全的前提下，梯度中所加入的噪声尺度也可以大幅度减小，这可以显著提升数据生成的准确度。
3.本发明通过引入R´enyi Differential PrivacyAccountant追踪隐私损失，这会比MomentAccount可以更准确地计算隐私损失，更紧密地保障了隐私损失不会超过隐私预算，提高了数据的可用性。
附图说明
图1为本发明的卷积神经聚类网络；
图2为本发明的差分隐私生成对抗网络；
图3为本发明的整体流程图。
具体实施方式
结合附图通过具体实施样例说明本方法，但不构成对本发明的限制。
本实施例提供一个采用本发明方法的保障机器学习安全。
在本实施例中，一个包含隐私数据的图像数据集D。我们使用层次聚类，这是一种自下而上的合并型聚类方式，即初始阶段将每一个样本点都视为一个单独的类别，之后依次计算样本点之间的相似度,将相似度接近的样本聚合成一类。用卷积神经网络的提取数据的特征，卷积核本身是多个不同的滤波器，它可以网络随机初始化之后再通过梯度下降算法来进行更新，根据指定的标签来不断修正卷积核的参数。卷积核与图像进行点乘，能提取到图像的特征
Figure 431743DEST_PATH_IMAGE001
，将每一个样本点都视为一个单独的类别
Figure 314249DEST_PATH_IMAGE002
，之后依次计算样本点之间的相似度，相似度矩阵计算公式为：
Figure 850753DEST_PATH_IMAGE003
,其中
Figure 793302DEST_PATH_IMAGE004
，a和Ks，是预先设定的参数，
Figure 231236DEST_PATH_IMAGE005
表示
Figure 589536DEST_PATH_IMAGE006
的Ks个最近的邻居。将这些与
Figure 62106DEST_PATH_IMAGE007
相邻的聚类按照相似度从大到小进行排序，与
Figure 909976DEST_PATH_IMAGE007
相似度最大的一个会和
Figure 22158DEST_PATH_IMAGE007
融合成一个新的聚类。根据它们的时间状态，我们会给他们的标签y上打上一个时间戳t。为了提高聚类的准确度，我们通过卷积神经网络获取表征
Figure 100002_DEST_PATH_IMAGE029
，然后与上一轮的聚类标签
Figure 246466DEST_PATH_IMAGE030
结合在一起来预测当前的聚类标签
Figure DEST_PATH_IMAGE031
，之后计算损失函数，利 用梯度反传，更新网络参数。其中
Figure 511225DEST_PATH_IMAGE032
表示用卷积神经网络从数据集中提取深度表征，
Figure DEST_PATH_IMAGE033
表示将X与上一轮聚类标签结合在一起产生当前聚类标签的过程。
每个团簇在会被单独训练在生成对抗网络中来产生新的图像数据集。首先我们会初始化判别器参数
Figure 982526DEST_PATH_IMAGE034
和生成器参数
Figure DEST_PATH_IMAGE035
。然后我们通过随机噪声产生一串随机数，生成器根据这一串随机数生成一组新的数据，并希望以此“欺骗”判别器。在训练判别器时，我们会固定生成器的参数，我们从真实数据中抽取样本
Figure 332736DEST_PATH_IMAGE012
和从上一轮生成器所生成的样本
Figure 95156DEST_PATH_IMAGE013
进行拼接成一个新的数据
Figure 276739DEST_PATH_IMAGE014
，
Figure 918941DEST_PATH_IMAGE015
代表均匀分布；接着我们在判别器中计算梯度
Figure 818764DEST_PATH_IMAGE016
，进行梯度裁剪
Figure 384875DEST_PATH_IMAGE017
，λ表示梯度惩罚项的系数，C表示梯度剪裁的边界；为了保证数据在深度学习模型中的隐私性，我们在梯度加入差分隐私中的高斯噪声
Figure 358647DEST_PATH_IMAGE018
,M表示随机算法，d表示一个小的数据集，σ表示噪声尺度，I是超参数；用RDP Account来更新这一次的隐私会计；更新判别参数
Figure 984800DEST_PATH_IMAGE019
，
Figure 371919DEST_PATH_IMAGE020
表示Adam超参数，m表示一个训练批量的大小。在循环更新k次的判别器参数后，我们会传递一个向量给生成器，再次随机生成一组向量继续训练生成器，更新生成器参数
Figure DEST_PATH_IMAGE037
使其最小化。
在训练之后，我们会更新生成器参数
Figure 666022DEST_PATH_IMAGE038
并计算之前所有的隐私损失，如果隐私损失超出了我们的隐私预算，则结束全部的模型训练。
我们每一次随机地抽取一个聚类进行数据生成，直到所有的聚类都被抽取完则停止。最后将每个聚类通过人工神经网络得到的数据进行合成，就得到了满足一般深度学习模型的数据集。

Claims (4)

1.一种基于差分隐私的图像数据生成方法，其特征在于：包括以下步骤，
S1～通过层次聚类方法，用卷积神经网络的提取数据的特征，将每一个样本点都视为一个单独的类别，之后依次计算样本点之间的相似度,将相似度接近的样本聚合成一类，不断地进行簇的合并直到最终得到将图像划分成多个聚类的要求；
S2～使用基于差分隐私的生成对抗网络训练得到的每一个聚类，首先初始化判别器参数θd和生成器参数θg；然后通过随机噪声产生一串随机数，生成器根据这一串随机数生成一组新的数据；在训练判别器时，固定生成器的参数，从真实数据中抽取样本
Figure DEST_PATH_IMAGE001
和从上一轮生成器所生成的样本
Figure 480033DEST_PATH_IMAGE002
进行拼接成一个新的数据
Figure DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE005
代表均匀分布；在判别器迭代中的梯度中加入高斯噪声保障数据安全性，判别器在经过多次循环训练之后，返回给生成器一组向量，生成器利用这一组向量调整自己的参数再次生成数据，如此多次循环，直到产生所需求的数据；
S3～使用R´enyi Differential PrivacyAccountant追踪生成对抗网络每次迭代中的隐私损失
Figure 109914DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE007
表示当前的隐私预算，
Figure 993557DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
表示概率，
Figure 467263DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
表示一个小批量数据集，
Figure 746278DEST_PATH_IMAGE012
表示一个完整的数据集,
Figure DEST_PATH_IMAGE013
表示选取函数；
S4～每一次随机地抽取一个聚类进行数据生成，直到所有的聚类都被抽取完则停止，最后将每个聚类通过人工神经网络得到的数据进行合成，就得到了满足一般深度学习模型的数据集。
2.根据权利要求1所述的基于差分隐私的图像数据生成方法，其特征在于：所述的步骤S1的具体过程如下：首先，用卷积核与图像进行点乘，能提取到图像的特征
Figure 432474DEST_PATH_IMAGE014
，将每一个样本点都视为一个单独的类别
Figure DEST_PATH_IMAGE015
，之后依次计算样本点之间的相似度，相似度矩阵计算公式为：
Figure 436202DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
，其中
Figure 80810DEST_PATH_IMAGE018
，a和Ks，是预先设定的参数，
Figure DEST_PATH_IMAGE019
表示
Figure 333937DEST_PATH_IMAGE020
的Ks个最近的邻居；将这些与
Figure DEST_PATH_IMAGE021
相邻的聚类按照相似度从大到小进行排序，与
Figure 823824DEST_PATH_IMAGE021
相似度最大的一个会和
Figure 183523DEST_PATH_IMAGE021
融合成一个新的聚类；根据它们的时间状态，给他们的标签y上打上一个时间戳t，训练卷积神经网络是在一个递归型框架中，使用上一轮的聚类标签
Figure 202295DEST_PATH_IMAGE022
结合在一起来预测当前的聚类标签
Figure DEST_PATH_IMAGE023
,不断地执行聚类，直到我们获得所需的聚类数量。
3.根据权利要求1所述的基于差分隐私的图像数据生成方法，其特征在于：所述的步骤S2中，判别器迭代中的梯度中加入高斯噪声的具体过程为，在判别器中计算梯度
Figure 942718DEST_PATH_IMAGE024
，进行梯度裁剪
Figure DEST_PATH_IMAGE025
,λ表示梯度惩罚项的系数，A表示梯度剪裁的边界，为了保证数据在深度学习模型中的隐私性，在梯度加入差分隐私中的高斯噪声
Figure 236296DEST_PATH_IMAGE026
,
Figure DEST_PATH_IMAGE027
,M表示随机算法，d表示一个小的数据集，σ表示噪声尺度，I是超参数。
4.根据权利要求1所述的基于差分隐私的图像数据生成方法，其特征在于：所述的步骤S2中判别器循环训练的具体过程为，更新判别参数
Figure 949037DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
表示Adam超参数，m表示一个训练批量的大小，在循环更新k次的判别器参数后，传递一个向量给生成器，再次随机生成一组向量继续训练生成器，更新生成器参数
Figure 466606DEST_PATH_IMAGE030
。
CN202110872920.2A 2021-07-30 2021-07-30 一种基于差分隐私的图像数据生成方法 Active CN113516199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110872920.2A CN113516199B (zh) 2021-07-30 2021-07-30 一种基于差分隐私的图像数据生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110872920.2A CN113516199B (zh) 2021-07-30 2021-07-30 一种基于差分隐私的图像数据生成方法

Publications (2)

Publication Number Publication Date
CN113516199A CN113516199A (zh) 2021-10-19
CN113516199B true CN113516199B (zh) 2022-07-15

Family

ID=78068143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110872920.2A Active CN113516199B (zh) 2021-07-30 2021-07-30 一种基于差分隐私的图像数据生成方法

Country Status (1)

Country Link
CN (1) CN113516199B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114785559A (zh) * 2022-03-29 2022-07-22 南京理工大学 一种抵御成员推理攻击的差分隐私联邦学习方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280491A (zh) * 2018-04-18 2018-07-13 南京邮电大学 一种面向差分隐私保护的k均值聚类方法
CN112417507A (zh) * 2020-12-02 2021-02-26 桂林电子科技大学 一种基于隐私保护的大型图的节点三角形计数的发布方法
CN112487482A (zh) * 2020-12-11 2021-03-12 广西师范大学 自适应切割阈值的深度学习差分隐私保护方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170262773A1 (en) * 2016-03-11 2017-09-14 Deutsche Telekom Ag Method and system for generating a training model for fabricating synthetic data and for fabricating synthetic data
CN112256874B (zh) * 2020-10-21 2023-08-08 平安科技（深圳）有限公司 模型训练方法、文本分类方法、装置、计算机设备和介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280491A (zh) * 2018-04-18 2018-07-13 南京邮电大学 一种面向差分隐私保护的k均值聚类方法
CN112417507A (zh) * 2020-12-02 2021-02-26 桂林电子科技大学 一种基于隐私保护的大型图的节点三角形计数的发布方法
CN112487482A (zh) * 2020-12-11 2021-03-12 广西师范大学 自适应切割阈值的深度学习差分隐私保护方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Qian Wang等."Deep Domain Adaptation With Differential Privacy".《IEEE Transactions on Information Forensics and Security》.2020,第15卷 *
梁霄."医疗数据分析中隐私保护方法研究".《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》.2021, *

Also Published As

Publication number Publication date
CN113516199A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN109948663B (zh) 一种基于模型抽取的步长自适应的对抗攻击方法
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN110490128A (zh) 一种基于加密神经网络的手写识别方法
Zhao et al. A malware detection method of code texture visualization based on an improved faster RCNN combining transfer learning
CN112927266B (zh) 基于不确定性引导训练的弱监督时域动作定位方法及系统
Nagisetty et al. xai-gan: Enhancing generative adversarial networks via explainable ai systems
CN111259264B (zh) 一种基于生成对抗网络的时序评分预测方法
CN113516199B (zh) 一种基于差分隐私的图像数据生成方法
Carta et al. Ex-model: Continual learning from a stream of trained models
Xian et al. Understanding backdoor attacks through the adaptability hypothesis
Ke et al. Group-wise dynamic dropout based on latent semantic variations
CN114638356A (zh) 一种静态权重引导的深度神经网络后门检测方法及系统
WO2022106146A1 (en) Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model
Stock et al. Lessons learned: How (not) to defend against property inference attacks
Liu et al. Ml-stealer: Stealing prediction functionality of machine learning models with mere black-box access
CN114067155A (zh) 基于元学习的图像分类方法、装置、产品及存储介质
Zhou et al. Optimizing one-pixel black-box adversarial attacks
Lin et al. Mitigating both covariate and conditional shift for domain generalization
Yang et al. Intermediate-Layer Transferable Adversarial Attack With DNN Attention
Capitani et al. ClusterFix: A Cluster-Based Debiasing Approach without Protected-Group Supervision
CN109117859A (zh) 用于计算机视觉的多标签聚类方法
Min et al. Adversarial attack? don't panic
Liu et al. Adversarial examples generated from sample subspace
Jiang et al. Unsupervised Adversarial Perturbation Eliminating via Disentangled Representations
Abdukhamidov et al. Single-Class Target-Specific Attack against Interpretable Deep Learning Systems

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