CN114610910A - 一种面向群体感知的师生群体隐私保护方法及系统 - Google Patents
一种面向群体感知的师生群体隐私保护方法及系统 Download PDFInfo
- Publication number
- CN114610910A CN114610910A CN202210159773.9A CN202210159773A CN114610910A CN 114610910 A CN114610910 A CN 114610910A CN 202210159773 A CN202210159773 A CN 202210159773A CN 114610910 A CN114610910 A CN 114610910A
- Authority
- CN
- China
- Prior art keywords
- privacy
- data
- group
- carrying
- privacy protection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002452 interceptive effect Effects 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 10
- 230000001052 transient effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 10
- 230000008447 perception Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种面向群体感知的师生群体隐私保护方法及系统,所述方法包括:收集学生、教师的校内学习相关的交互活动数据并进行分类预处理,提取需要进行隐私保护的目标数据;对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本;通过深度学习网络构造隐私识别模型,通过智能优化算法优化深度学习网络的超参数,并通过所述训练样本训练所述隐私识别模型;通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行迷糊化处理。本发明基于深度学习技术和智能优化算法建立隐私识别模型,能自动的对师生的学习交互数据进行隐私识别和屏蔽。
Description
技术领域
本发明属于教育协作学习技术领域,具体涉及一种面向群体感知的师生群体隐私保护方法及系统。
背景技术
近年来,群体感知技术在计算机支持的协作学习(Computer SupportedCollaborative Learning,CSCL)领域取得较快发展,成为降低协作成本、提高协作效率和减少协作冲突的有效手段之一,为促进学习者之间的交互提供了新的方法。
移动群体感知技术的主要思路,是以携带移动终端设备的大最普通用户作为感知节点,通过移动互联网连接用户,使用户间接地进行协作,实现感知任务的分配与感知数据的收集,从而完成大规模的、多维度的、复杂的现实感知任务。在协作学习的过程中通过收集教师、学生的相关数据进行相互学习、内容分享、同伴互评,开展各类教学环境下的学习测评。比如,同伴互评作为协作学习的一种方式,重对学习者学习过程的评价,有助于提高学习者的批判性思考能力提升学习动机,增强社会存在感。传统的学习评价往往只关注学习结果而忽视了学习过程,而同伴互评则能关注到学生的学习过程。学生既是评价者,也是学习者。已有研究证实,同伴互评有助于提升学习者的专业知识与能力增加师生及生生之间的交流与互动,提升教学水平。
但是通过群体感知技术在同伴互评等等协作学习的过程中需要大量收集师生数据,必然涉及隐私保护问题的担忧,如果不注重隐私保护问题,一方面不符合相关法律法规要求,另一方面会降低师生的参与感,影响协作学习效果。
发明内容
有鉴于此,本发明提出了一种面向群体感知的师生群体隐私保护方法及系统,用于解决在协作学习的过程中的隐私保护不当的问题。
本发明第一方面,提出一种面向群体感知的师生群体隐私保护方法,所述方法包括:
收集学生、教师的校内学习相关的交互活动数据并进行分类预处理,提取需要进行隐私保护的目标数据;
对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本;
通过深度学习网络构造隐私识别模型,通过改进的优化算法优化深度学习网络的超参数,并通过所述训练样本训练所述隐私识别模型;
通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行迷糊化处理。
在上述技术方案的基础上,优选的,所述需要进行隐私保护的目标数据包括图像数据、文本数据、音频数据、视频数据。
在上述技术方案的基础上,优选的,所述对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本具体包括:
根据提取出的需要进行隐私保护的目标数据的类型分别进行隐私对象的框选和隐私类别标注;
其中,对于图像数据,通过标注框标注包含的隐私对象,并记录隐私类别,对于文本数据,记录包含的隐私对象对应的字段,并标注隐私类别;
对于音频数据,将音频数据进行音频识别翻译成文本数据,提取对应文本数据中的隐私对象对应的字段并标注隐私类别;
对于视频数据,按照预设时间间隔提取视频帧序列,通过标注框分别标注视频帧序列中包含的隐私对象,并记录隐私类别。
在上述技术方案的基础上,优选的,所述通过改进的优化算法优化深度学习网络的超参数具体包括:
初始化瞬态搜索优化算法的种群,种群中的每个搜索代理代表一组深度学习网络的超参数组合,所述超参数组合中包括惩罚系数;
设定搜索范围边界和最大迭代次数;
基于当前迭代次数计算搜索代理的热阻系数;
基于所述位置关联参数,进行搜索代理的位置更新;
根据适应度函数评估各个搜索代理的适应度值并更新最优适应度值;
判断是否满足结束条件,若满足,则输出最优位置作为全局最优解,否则,重新进行位置关联参数、搜索代理的位置及适应度值的迭代计算,直到满足结束条件。
在上述技术方案的基础上,优选的,所述基于所述热阻参数,进行搜索代理的位置更新具体包括:
进行搜索代理的位置更新时,生成0~1之间的两个随机数r1、r2来平衡勘探和开发过程,并引入算术优化算子进行位置更新,具体的位置更新公式为:
其中,Yl、Yl+1分别为第l次、第l+1次迭代的探索位置,Yl b为l次迭代时的最优探索位置,[LB,UB]为探索范围边界,MOP(l)=1-(l-1)1/α/L1/α,α为敏感参数,L为最大迭代次数,u为控制参数;Cl、T为热阻系数。
在上述技术方案的基础上,优选的,所述适应度函数为深度学习网络的均方根误差最小。
在上述技术方案的基础上,优选的,所述通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行迷糊化处理具体包括:
从发送客户端获取学生之间、老师之间或师生之间的交互数据并根据数据类型进行预处理;
将预处理后的发送客户端的交互数据输入隐私识别模型,输出识别出的隐私对象位置、字段及类别;
对对应的交互数据中的隐私对象位置或字段进行模糊化处理;
将模糊化处理的发送客户端的交互数据发送至接收客户端,完成交互数据的隐私保护。
本发明第二方面,公开一种面向群体感知的师生群体隐私保护系统,所述系统包括:
数据收集模块:收集学生、教师的校内学习相关的交互活动数据;
数据处理模块:交互活动数据进行分类预处理,提取需要进行隐私保护的目标数据;对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本;
模型训练模块:通过深度学习网络构造隐私识别模型,通过改进的优化算法优化深度学习网络的超参数,并通过所述训练样本训练所述隐私识别模型;
隐私处理模块:通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行模糊化处理。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明通过深度学习网络构造了隐私识别模型,并通过改进的优化算法优化深度学习网络的超参数,可以对图像数据、文本数据、音频数据、视频数据等多种交互类型的数据进行隐私识别和处理,扩大隐私保护的处理范围;
2)本发明将算术优化算子与瞬态搜索优化算法相融合,通过算术优化算子以一定的随机概率扩大瞬态搜索优化算法的搜索空间,同时以一定的概率来加快局部搜索,提高探索和开发过程的寻优能力,以此来优化深度学习网络的超参数,可以提高隐私识别模型的识别精度;
3)本发明能自动的对师生的学习交互数据进行隐私识别和屏蔽,在向外展示或交互分享的过程中将隐私部分模糊化处理,让分享者在协作学习过程中没有后顾之忧,提升师生参与的积极性,有利于提升同伴互评等协作学习的学习效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种面向群体感知的师生群体隐私保护方法流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
请参阅图1,本发明提出一种面向群体感知的师生群体隐私保护方法,所述方法包括:
S1、收集学生、教师的校内学习相关的交互活动数据并进行分类预处理,提取需要进行隐私保护的目标数据;
首先收集学生、教师的校内学习相关的交互活动数据,包括学生与学生之间、教师与教师之间、学生与教师之间通过移动终端、电脑等客户端交流的交互数据。将交互数据根据数据类型分类,比如将交互数据分为图像数据、文本数据、音频数据、视频数据,对这些数据进行初步预处理,筛选出需要进行隐私保护的目标数据,比如包含敏感内容、不便直接对外分享的数据。
S2、对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本;
具体的,根据提取出的需要进行隐私保护的目标数据的类型分别进行隐私对象的框选和隐私类别标注;
其中,对于图像数据,通过标注框标注包含的隐私对象,并记录隐私类别,对于文本数据,记录包含的隐私对象对应的字段,并标注隐私类别;
对于音频数据,将音频数据进行音频识别翻译成文本数据,提取对应文本数据中的隐私对象对应的字段并标注隐私类别;
对于视频数据,按照预设时间间隔提取视频帧序列,通过标注框分别标注视频帧序列中包含的隐私对象,并记录隐私类别。
总体来说,可以将图像数据、文本数据、音频数据、视频数据最终转换成两大类数据,图像数据和视频数据最终均转换成图像数据,可以通过图像目标识别来进行隐私保护处理;而文本数据、音频数据最终均转换成文本数据,可以通过文本内容识别来进行隐私保护处理。基于这两大类数据,可以训练两个隐私识别模型来分别进行隐私识别和隐私模糊处理,一个隐私识别模型处理图像数据和视频数据,一个隐私识别模型处理文本数据、音频数据,最终尽可能较大程度的处理各种类型的隐私数据。
S3、通过深度学习网络构造隐私识别模型,通过优化算法优化深度学习网络的超参数,并通过所述训练样本训练所述隐私识别模型;
本发明所述的深度学习网络可以是各种神经网络模型比如CNN、RNN、DNN、PNN、生成对抗网络等。在机器学习或深度学习中,超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果。
以生成对抗网络WGAN进行图像数据、音频数据的隐私识别为例,生成对抗网络由生成式模型和判别式模型组成。其中,生成模型G捕捉样本数据的分布,判别模型D是一个二分类器,生成模型输入是一些服从某一简单分布的随机噪声z,若输入的是图像数据则输出的是与训练图像尺寸相同的生成图像。向判别模型D输入生成样本,对于D来说期望输出低概率,对于生成模型G来说要尽量欺骗判别模型D,使判别模型输出高概率,从而形成竞争与对抗。为了更好的效果,需要寻找最优的惩罚项和惩罚系数,因此可以通过优化算法优化生成对抗网络的超参数。
本发明通过智能优化算法优化深度学习网络的超参数具体包括:
S31、初始化瞬态搜索优化算法的种群,种群中的每个搜索代理代表一组深度学习网络的超参数组合,所述超参数组合中包括惩罚系数;
S32、设定搜索范围边界[LB,UB]和最大迭代次数L;
S33、基于当前迭代次数计算搜索代理的热阻系数Cl、T,该热阻系数Cl、T的计算方式与瞬态搜索优化算法中的相同。
S34、基于所述位置关联参数,进行搜索代理的位置更新;
进行搜索代理的位置更新时,生成0~1之间的两个随机数r1、r2来平衡勘探和开发过程,并引入算术优化算子进行位置更新,具体的位置更新公式为:
其中,Yl、Yl+1分别为第l次、第l+1次迭代的探索位置,Yl b为l次迭代时的最优探索位置,[LB,UB]为探索范围边界,MOP(l)=1-(l-1)1/α/L1/α,α为敏感参数,L为最大迭代次数,u为控制参数;Cl、T为热阻系数。
S35、根据适应度函数评估各个搜索代理的适应度值并更新最优适应度值;所述适应度函数为深度学习网络的均方根误差最小。
S36、判断是否满足结束条件,若满足,则输出最优位置作为全局最优解,否则,返回步骤S33重新进行位置关联参数、搜索代理的位置及适应度值的迭代计算,直到满足结束条件。
本发明将算术优化算子与瞬态搜索优化算法相融合,通过算术优化算子以一定的随机概率扩大瞬态搜索优化算法的搜索空间,同时以一定的概率来加快局部搜索,提高探索和开发过程的寻优能力,实现探索和开发的平衡。以此来优化深度学习网络的超参数,可以提高隐私识别模型的识别精度。
S4、通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行迷糊化处理。
从发送客户端获取学生之间、老师之间或师生之间的交互数据并根据数据类型进行预处理;
将预处理后的发送客户端的交互数据输入隐私识别模型,输出识别出的隐私对象位置、字段及类别;
对对应的交互数据中的隐私对象位置或字段进行模糊化处理;
将模糊化处理的发送客户端的交互数据发送至接收客户端,完成交互数据的隐私保护。
本发明基于深度学习技术和智能优化算法建立的隐私识别模型,能自动的对师生的学习交互数据进行隐私识别和屏蔽,在向外展示或交互分享的过程中将隐私部分模糊化处理,让分享者在协作学习过程中没有后顾之忧,提升师生参与的积极性,有利于提升同伴互评等协作学习的学习效果。
与上述方法实施例相对应,本发明还提出一种面向群体感知的师生群体隐私保护系统,所述系统包括:
数据收集模块:收集学生、教师的校内学习相关的交互活动数据;
数据处理模块:交互活动数据进行分类预处理,提取需要进行隐私保护的目标数据;对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本;
模型训练模块:通过深度学习网络构造隐私识别模型,通过改进的优化算法优化深度学习网络的超参数,并通过所述训练样本训练所述隐私识别模型;
隐私处理模块:通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行模糊化处理。
以上系统实施例是和方法实施例是对应的,系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向群体感知的师生群体隐私保护方法,其特征在于,所述方法包括:
收集学生、教师的校内学习相关的交互活动数据并进行分类预处理,提取需要进行隐私保护的目标数据;
对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本;
通过深度学习网络构造隐私识别模型,通过智能优化算法优化深度学习网络的超参数,并通过所述训练样本训练所述隐私识别模型;
通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行迷糊化处理。
2.根据权利要求书1所述的面向群体感知的师生群体隐私保护方法,其特征在于,所述需要进行隐私保护的目标数据包括图像数据、文本数据、音频数据、视频数据。
3.根据权利要求书2所述的面向群体感知的师生群体隐私保护方法,其特征在于,所述对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本具体包括:
根据提取出的需要进行隐私保护的目标数据的类型分别进行隐私对象的框选和隐私类别标注;
其中,对于图像数据,通过标注框标注包含的隐私对象,并记录隐私类别,对于文本数据,记录包含的隐私对象对应的字段,并标注隐私类别;
对于音频数据,将音频数据进行音频识别翻译成文本数据,提取对应文本数据中的隐私对象对应的字段并标注隐私类别;
对于视频数据,按照预设时间间隔提取视频帧序列,通过标注框分别标注视频帧序列中包含的隐私对象,并记录隐私类别。
4.根据权利要求书3所述的面向群体感知的师生群体隐私保护方法,其特征在于,所述通过智能优化算法优化深度学习网络的超参数具体包括:
初始化瞬态搜索优化算法的种群,种群中的每个搜索代理代表一组深度学习网络的超参数组合,所述超参数组合中包括惩罚系数;
设定搜索范围边界和最大迭代次数;
基于当前迭代次数计算搜索代理的热阻系数;
基于所述位置关联参数,进行搜索代理的位置更新;
根据适应度函数评估各个搜索代理的适应度值并更新最优适应度值;
判断是否满足结束条件,若满足,则输出最优位置作为全局最优解,否则,重新进行位置关联参数、搜索代理的位置及适应度值的迭代计算,直到满足结束条件。
6.根据权利要求书5所述的面向群体感知的师生群体隐私保护方法,其特征在于,所述适应度函数为深度学习网络的均方根误差最小。
7.根据权利要求书1所述的面向群体感知的师生群体隐私保护方法,其特征在于,所述通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行迷糊化处理具体包括:
从发送客户端获取学生之间、老师之间或师生之间的交互数据并根据数据类型进行预处理;
将预处理后的发送客户端的交互数据输入隐私识别模型,输出识别出的隐私对象位置、字段及类别;
对对应的交互数据中的隐私对象位置或字段进行模糊化处理;
将模糊化处理的发送客户端的交互数据发送至接收客户端,完成交互数据的隐私保护。
8.一种面向群体感知的师生群体隐私保护系统,其特征在于,所述系统包括:
数据收集模块:收集学生、教师的校内学习相关的交互活动数据;
数据处理模块:交互活动数据进行分类预处理,提取需要进行隐私保护的目标数据;对需要进行隐私保护的目标数据进行隐私标注,制作用于隐私识别的训练样本;
模型训练模块:通过深度学习网络构造隐私识别模型,通过改进的优化算法优化深度学习网络的超参数,并通过所述训练样本训练所述隐私识别模型;
隐私处理模块:通过训练好的隐私识别模型对待保护的目标数据进行隐私对象识别,对识别出的隐私对象进行模糊化处理。
9.一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159773.9A CN114610910A (zh) | 2022-02-22 | 2022-02-22 | 一种面向群体感知的师生群体隐私保护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159773.9A CN114610910A (zh) | 2022-02-22 | 2022-02-22 | 一种面向群体感知的师生群体隐私保护方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114610910A true CN114610910A (zh) | 2022-06-10 |
Family
ID=81858508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210159773.9A Pending CN114610910A (zh) | 2022-02-22 | 2022-02-22 | 一种面向群体感知的师生群体隐私保护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114610910A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383883A (zh) * | 2023-04-14 | 2023-07-04 | 于诚优品信息科技(福州)有限责任公司 | 一种基于大数据的数据管理权限处理方法及系统 |
CN116383884A (zh) * | 2023-04-14 | 2023-07-04 | 武汉浪科鑫炫网络科技有限公司 | 一种基于人工智能的数据安全防护方法及系统 |
CN117560662A (zh) * | 2024-01-10 | 2024-02-13 | 鹏城实验室 | 基于可重构智能表面的隐私保护方法、装置及设备 |
-
2022
- 2022-02-22 CN CN202210159773.9A patent/CN114610910A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383883A (zh) * | 2023-04-14 | 2023-07-04 | 于诚优品信息科技(福州)有限责任公司 | 一种基于大数据的数据管理权限处理方法及系统 |
CN116383884A (zh) * | 2023-04-14 | 2023-07-04 | 武汉浪科鑫炫网络科技有限公司 | 一种基于人工智能的数据安全防护方法及系统 |
CN116383883B (zh) * | 2023-04-14 | 2023-12-22 | 水发科技信息(山东)有限公司 | 一种基于大数据的数据管理权限处理方法及系统 |
CN116383884B (zh) * | 2023-04-14 | 2024-02-23 | 天翼安全科技有限公司 | 一种基于人工智能的数据安全防护方法及系统 |
CN117560662A (zh) * | 2024-01-10 | 2024-02-13 | 鹏城实验室 | 基于可重构智能表面的隐私保护方法、装置及设备 |
CN117560662B (zh) * | 2024-01-10 | 2024-05-10 | 鹏城实验室 | 基于可重构智能表面的隐私保护方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mirkin | Core data analysis: Summarization, correlation, and visualization | |
CN114610910A (zh) | 一种面向群体感知的师生群体隐私保护方法及系统 | |
CN112749339A (zh) | 一种基于旅游知识图谱的旅游路线推荐方法及系统 | |
CN108229478A (zh) | 图像语义分割及训练方法和装置、电子设备、存储介质和程序 | |
CN110990631A (zh) | 视频筛选方法、装置、电子设备和存储介质 | |
CN109871504B (zh) | 一种基于异构信息网络与深度学习的课程推荐系统 | |
Lin et al. | Deep structured scene parsing by learning with image descriptions | |
CN113128588B (zh) | 模型训练方法、装置、计算机设备及计算机存储介质 | |
CN112257841A (zh) | 图神经网络中的数据处理方法、装置、设备及存储介质 | |
CN111460145A (zh) | 一种学习资源推荐方法、设备及存储介质 | |
CN110782448A (zh) | 渲染图像的评价方法及装置 | |
CN115114421A (zh) | 一种问答模型训练方法 | |
Jones | Developing cognitive theory by mining large-scale naturalistic data | |
CN111079018A (zh) | 习题个性化推荐方法、装置、设备、计算机可读存储介质 | |
CN110781405B (zh) | 基于联合卷积矩阵分解的文档上下文感知推荐方法及系统 | |
CN113409157B (zh) | 一种跨社交网络用户对齐方法以及装置 | |
CN113806564A (zh) | 多模态信息性推文检测方法及系统 | |
CN111951079B (zh) | 一种基于知识图谱的信用评级方法、装置及电子设备 | |
CN110633410A (zh) | 信息处理方法及装置、存储介质、电子装置 | |
CN113283488A (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN117196042A (zh) | 一种教育元宇宙中学习目标的语义推理方法及终端 | |
CN112015890A (zh) | 电影剧本摘要的生成方法和装置 | |
CN116385830A (zh) | 一种基于深度学习的素描作品智能评价方法 | |
CN115587192A (zh) | 关系信息抽取方法、设备及计算机可读存储介质 | |
CN113761337B (zh) | 基于事件隐式要素与显式联系的事件预测方法和装置 |
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 |