CN114969503B - 一种基于联邦学习的多元数据用户画像实现方法 - Google Patents
一种基于联邦学习的多元数据用户画像实现方法 Download PDFInfo
- Publication number
- CN114969503B CN114969503B CN202210333187.1A CN202210333187A CN114969503B CN 114969503 B CN114969503 B CN 114969503B CN 202210333187 A CN202210333187 A CN 202210333187A CN 114969503 B CN114969503 B CN 114969503B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- local
- model
- portrait
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于联邦学习的多元数据用户画像实现方法，涉及电学领域，旨在解决传统企业绘制用户画像过程中遇到的用户数据不充足、跨企业联合数据隐私泄露风险高等问题；通过结合联邦学习、用户画像、机器学习、隐私保护、密码学等多个领域，利用联邦学习数据不出本地就能联合训练的特点，解决了不同机构之间用户数据少、特征标签不全面、用户画像单一、用户行为预测不准确、联合训练用户画像的数据收集的隐私合规等问题；引入同态加密、差分隐私等加密技术对敏感数据、明文梯度进行加密，保证了各用户获得最终的用户画像且不知道另外参与方的隐私数据，达到了画像模型精度和用户隐私之间的平衡。
Description
技术领域
本发明涉及电学领域，具体为一种基于联邦学习的多元数据用户画像实现方法。
背景技术
用户画像作为一种面向个性化服务的大数据分析手段，能够充分的挖掘和提炼海量数据中的潜在价值，在语义搜索、智能问答、大数据分析决策、敏感促销、广告投放、购买力预测等场景中有广泛应用。用户画像根据用户信息来提取特征，比如自然属性、行为、社交、兴趣等特征。生成用户画像的主要步骤包含数据的预处理，画像模型的生成，应用系统的测试以及最终的实际应用等
传统的基于单方数据集的用户画像体系，比如基于图书馆数据分析读书喜好，基于携程酒店居住数据分析住客满意度，基于教育数据建立学生模型，基于商务数据分析客户喜好等，不再适用于当今市场多元化、隐私化的需求。如何实现对多元化数据集的数据进行安全隐私的价值分析成为用户画像面临的问题。
针对大数据时代背景下用户画像对于数据可用性和数据保密性需求，以安全多方计算(Secure Multi－Party Computation，MPC)、联邦学习(Federated Learning，FL)、可信执行环境(Trusted Execution Environment，TEE)为主的隐私计算技术有效的解决了数据流通过程中的“可用不可见”问题，对于异构数据之间的数据孤岛问题提供了破局思路，在金融、互联网、医疗、政务等领域开始推广应用。因此，在用户画像中引入联邦学习机制，可以改变传统的数据集中式机器学习，参与用户能够在数据不出域的情况下，通过梯度聚合完成画像模型的训练，从而求得一个聚合的用户画像。通过结合同态加密、差分隐私和联邦学习等技术可以实现多家企业共同参与用户画像的训练，打破数据壁垒，在安全合规的前提下充分挖掘数据价值。
针对传统企业绘制用户画像过程中遇到的用户数据不充足、跨企业联合数据隐私泄露风险高等问题，提出了一种基于联邦学习的多元数据用户画像实现方法及系统。
发明内容
鉴于现有技术中所存在的问题，本发明公开了一种基于联邦学习的多元数据用户画像实现方法，采用的技术方案是，包括以下步骤：
步骤1，数据处理
各用户端收集本地相关数据，包括用户的静态数据和交互数据，并根据业务需求对数据进行处理，配置对应的数据权重，剔除相关性低的数据；
步骤2，求取属性集样本
各用户端向服务器提供本地的去数据的属性集，服务器基于用户提交的属性集求取样本特征属性的重合度，进而决定参与的用户使用什么样的联合训练模式；步骤3，用户画像指标设置
各用户端根据服务器反馈的属性集，结合相对应的业务需求，设计各自所需要的画像指标；
步骤4，画像联合训练；
步骤5，聚合梯度加密
针对画像模型在聚合过程中存在的隐私泄露问题，使用本地差分隐私进行加密，即，各用户端在向服务器传输本地梯度的过程中，使用一个随机的噪声α对梯度加密(其中α是符合高斯分布的噪声参数)，上传的梯度则变成了加密后的隐私梯度
步骤6，用户画像模型生成
服务器基于各用户端提交的梯度模型ωD，结合FedAvg算法，整合各用户端训练权重，计算最终画像模型，
其中k表示有k个用户端参与画像训练，Pk表示存储在第k个设备中训练样本，nk＝|Pk|表示样本的个数。
作为本发明的一种优选技术方案，所述画像联合训练包括针对样本特征重合度高的情况，通过横向联邦学习从服务器向各用户端发送画像模型各用户端结合本地数据训练画像模型，得到本地的模型梯度/>并加密上传至服务，服务器聚合各用户端上传的模型梯度，聚合出新的模型/>服务器将最新的模型发送至各用户端，用户端再次更新了本地的模型，(其中ωS表示服务器模型梯度，ωD表示本地模型梯度，t表示训练的轮数)和针对样本特征重叠度不高的情况，通过纵向联邦学习进行用户数据的加密样本对齐，之后各用户端通过服务器的公钥加密中间画像特征的交互结果，进而得出各用户所需的模型梯度和损失函数，各用户端将加密结果汇总至服务器，服务器解密后分发模型给各用户，以获取最终的画像模型，整个过程中，各用户都不知道其他用户的隐私数据，只能获得自己的模型参数。
作为本发明的一种优选技术方案，所述画像联合训练包括用户数据集1、用户数据集2、PSI隐私求交、样本数据、本地模型训练1、本地模型训练2、联邦平均算法、梯度聚合，所述用户数据集1、用户数据集2、PSI隐私求交均与所述样本数据相连，苏搜狐样本数据连接所述本地模型训练1、本地模型训练2，所述梯度聚合、联邦平均算法均与所述本地模型训练1、本地模型训练2相连。
作为本发明的一种优选技术方案，所述梯度加密包括中心化服务器、差分隐私、本地画像模型、用户数据，所述中心化服务器、差分隐私、本地画像模型之间相连，所述本地画像模型与所述用户数据相连。
作为本发明的一种优选技术方案，所述隐私梯度包括中心化服务器、本地差分隐私处理、用户1、用户W、用户N，所述用户1、用户W、用户N均与所述本地差分隐私处理相连，所述本地差分隐私处理相连通过加密梯度连接所述中心化服务器，所述中心化服务器通过聚合梯度连接所述本地差分隐私处理。
作为本发明的一种优选技术方案，所述用户端的数据预处理包括数据收集、数据清洗、数据可用，所述数据预处理连接样本数据隐私求交，所述样本数据隐私求交包括用户端1、用户端2、用户端3、隐私求交、样本数据，所述样本数据隐私求交连接画像模型训练，所述画像模型训练包括本地画像1、本地画像2、本地画像3、Wt+1+a、联邦平均算法。
本发明的有益效果：本发明通过结合联邦学习、用户画像、机器学习、隐私保护、密码学等多个领域，利用联邦学习数据不出本地就能联合训练的特点，解决了不同机构之间用户数据少、特征标签不全面、用户画像单一、用户行为预测不准确、联合训练用户画像的数据收集的隐私合规等问题；基于纵向联邦学习的数据处理特点，以及联邦学习聚合梯度的机制，解决了多元数据用户画像模型数据聚合难的问题，引入同态加密、差分隐私等加密技术对敏感数据、明文梯度进行加密，保证了各用户获得最终的用户画像且不知道另外参与方的隐私数据，达到了画像模型精度和用户隐私之间的平衡。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明整体步骤流程示意图；
图2为本发明联合训练流程示意图；
图3为本发明梯度加密流程示意图；
图4为本发明梯度聚合流程示意图；
图5为本发明系统流程示意图。
具体实施方式
实施例1
如图1至图5所示，本发明公开了一种基于联邦学习的多元数据用户画像实现方法，采用的技术方案是，包括以下步骤：
步骤1，数据处理
各用户端收集本地相关数据，包括用户的静态数据和交互数据，并根据业务需求对数据进行处理，配置对应的数据权重，剔除相关性低的数据；
步骤2，求取属性集样本
各用户端向服务器提供本地的去数据的属性集，服务器基于用户提交的属性集求取样本特征属性的重合度，进而决定参与的用户使用什么样的联合训练模式；步骤3，用户画像指标设置
各用户端根据服务器反馈的属性集，结合相对应的业务需求，设计各自所需要的画像指标；
步骤4，画像联合训练；
步骤5，聚合梯度加密
针对画像模型在聚合过程中存在的隐私泄露问题，使用本地差分隐私进行加密，即，各用户端在向服务器传输本地梯度的过程中，使用一个随机的噪声α对梯度加密(其中α是符合高斯分布的噪声参数)，上传的梯度则变成了加密后的隐私梯度
步骤6，用户画像模型生成
服务器基于各用户端提交的梯度模型ωD，结合FedAvg算法，整合各用户端训练权重，计算最终画像模型，where/>其中k表示有k个用户端参与画像训练，Pk表示存储在第k个设备中训练样本，nk＝|Pk|表示样本的个数。
作为本发明的一种优选技术方案，所述画像联合训练包括针对样本特征重合度高的情况，通过横向联邦学习从服务器向各用户端发送画像模型各用户端结合本地数据训练画像模型，得到本地的模型梯度/>并加密上传至服务，服务器聚合各用户端上传的模型梯度，聚合出新的模型/>服务器将最新的模型发送至各用户端，用户端再次更新了本地的模型，(其中ωS表示服务器模型梯度，ωD表示本地模型梯度，t表示训练的轮数)和针对样本特征重叠度不高的情况，通过纵向联邦学习进行用户数据的加密样本对齐，之后各用户端通过服务器的公钥加密中间画像特征的交互结果，进而得出各用户所需的模型梯度和损失函数，各用户端将加密结果汇总至服务器，服务器解密后分发模型给各用户，以获取最终的画像模型，整个过程中，各用户都不知道其他用户的隐私数据，只能获得自己的模型参数。
作为本发明的一种优选技术方案，所述画像联合训练包括用户数据集1、用户数据集2、PSI隐私求交、样本数据、本地模型训练1、本地模型训练2、联邦平均算法、梯度聚合，所述用户数据集1、用户数据集2、PSI隐私求交均与所述样本数据相连，苏搜狐样本数据连接所述本地模型训练1、本地模型训练2，所述梯度聚合、联邦平均算法均与所述本地模型训练1、本地模型训练2相连。
作为本发明的一种优选技术方案，所述梯度加密包括中心化服务器、差分隐私、本地画像模型、用户数据，所述中心化服务器、差分隐私、本地画像模型之间相连，所述本地画像模型与所述用户数据相连。
作为本发明的一种优选技术方案，所述隐私梯度包括中心化服务器、本地差分隐私处理、用户1、用户W、用户N，所述用户1、用户W、用户N均与所述本地差分隐私处理相连，所述本地差分隐私处理相连通过加密梯度连接所述中心化服务器，所述中心化服务器通过聚合梯度连接所述本地差分隐私处理。
作为本发明的一种优选技术方案，所述用户端的数据预处理包括数据收集、数据清洗、数据可用，所述数据预处理连接样本数据隐私求交，所述样本数据隐私求交包括用户端1、用户端2、用户端3、隐私求交、样本数据，所述样本数据隐私求交连接画像模型训练，所述画像模型训练包括本地画像1、本地画像2、本地画像3、Wt+1+a、联邦平均算法。
本文中未详细说明的部件为现有技术。
上述虽然对本发明的具体实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，而不具备创造性劳动的修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于联邦学习的多元数据用户画像实现方法，其特征在于：包括以下步骤：
步骤1，数据处理；
各用户端收集本地相关数据，包括用户的静态数据和交互数据，并根据业务需求对数据进行处理，配置对应的数据权重，剔除相关性低的数据；
步骤2，求取属性集样本
各用户端向服务器提供本地的去数据的属性集，服务器基于用户提交的属性集求取样本特征属性的重合度，进而决定参与的用户使用什么样的联合训练模式；
步骤3，用户画像指标设置
各用户端根据服务器反馈的属性集，结合相对应的业务需求，设计各自所需要的画像指标；
步骤4，画像联合训练
步骤5，聚合梯度加密
针对画像模型在聚合过程中存在的隐私泄露问题，使用本地差分隐私进行加密，即，各用户端在向服务器传输本地梯度的过程中，使用一个随机的噪声α对梯度加密(其中α是符合高斯分布的噪声参数)，上传的梯度则变成了加密后的隐私梯度
步骤6，用户画像模型生成
服务器基于各用户端提交的梯度模型ωD，结合FedAvg算法，整合各用户端训练权重，计算最终画像模型，其中k表示有k个用户端参与画像训练，Pk表示存储在第k个设备中训练样本，nk＝|Pk|表示样本的个数；所述画像联合训练包括针对样本特征重合度高的情况，通过横向联邦学习从服务器向各用户端发送画像模型/>各用户端结合本地数据训练画像模型，得到本地的模型梯度/>并加密上传至服务，服务器聚合各用户端上传的模型梯度，聚合出新的模型/>服务器将最新的模型发送至各用户端，用户端再次更新了本地的模型，(其中ωS表示服务器模型梯度，ωD表示本地模型梯度，t表示训练的轮数)和针对样本特征重叠度不高的情况，通过纵向联邦学习进行用户数据的加密样本对齐，之后各用户端通过服务器的公钥加密中间画像特征的交互结果，进而得出各用户所需的模型梯度和损失函数，各用户端将加密结果汇总至服务器，服务器解密后分发模型给各用户，以获取最终的画像模型，整个过程中，各用户都不知道其他用户的隐私数据，只能获得自己的模型参数。
2.根据权利要求1所述的一种基于联邦学习的多元数据用户画像实现方法，其特征在于：所述画像联合训练包括用户数据集1、用户数据集2、PSI隐私求交、样本数据、本地模型训练1、本地模型训练2、联邦平均算法、梯度聚合，所述用户数据集1、用户数据集2、PSI隐私求交均与所述样本数据相连，苏搜狐样本数据连接所述本地模型训练1、本地模型训练2，所述梯度聚合、联邦平均算法均与所述本地模型训练1、本地模型训练2相连。
3.根据权利要求1所述的一种基于联邦学习的多元数据用户画像实现方法，其特征在于：所述梯度加密包括中心化服务器、差分隐私、本地画像模型、用户数据，所述中心化服务器、差分隐私、本地画像模型之间相连，所述本地画像模型与所述用户数据相连。
4.根据权利要求1所述的一种基于联邦学习的多元数据用户画像实现方法，其特征在于：所述隐私梯度包括中心化服务器、本地差分隐私处理、用户1、用户W、用户N，所述用户1、用户W、用户N均与所述本地差分隐私处理相连，所述本地差分隐私处理相连通过加密梯度连接所述中心化服务器，所述中心化服务器通过聚合梯度连接所述本地差分隐私处理。
5.根据权利要求1所述的一种基于联邦学习的多元数据用户画像实现方法，其特征在于：所述用户端的数据预处理包括数据收集、数据清洗、数据可用，所述数据预处理连接样本数据隐私求交，所述样本数据隐私求交包括用户端1、用户端2、用户端3、隐私求交、样本数据，所述样本数据隐私求交连接画像模型训练，所述画像模型训练包括本地画像1、本地画像2、本地画像3、Wt+1+a、联邦平均算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210333187.1A CN114969503B (zh) | 2022-03-30 | 2022-03-30 | 一种基于联邦学习的多元数据用户画像实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210333187.1A CN114969503B (zh) | 2022-03-30 | 2022-03-30 | 一种基于联邦学习的多元数据用户画像实现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114969503A CN114969503A (zh) | 2022-08-30 |
| CN114969503B true CN114969503B (zh) | 2024-04-02 |
Family
ID=82976650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210333187.1A Active CN114969503B (zh) | 2022-03-30 | 2022-03-30 | 一种基于联邦学习的多元数据用户画像实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114969503B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115936112B (zh) * | 2023-01-06 | 2023-07-18 | 北京国际大数据交易有限公司 | 一种基于联邦学习的客户画像模型训练方法及系统 |
| CN116485281A (zh) * | 2023-06-16 | 2023-07-25 | 国网信息通信产业集团有限公司 | 基于纵向联邦学习和知识图谱的员工画像方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329940A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 一种结合联邦学习与用户画像的个性化模型训练方法及系统 |
| WO2021121106A1 (zh) * | 2019-12-20 | 2021-06-24 | 深圳前海微众银行股份有限公司 | 基于联邦学习的个性化推荐方法、装置、设备及介质 |
| CN113434873A (zh) * | 2021-06-01 | 2021-09-24 | 内蒙古大学 | 一种基于同态加密的联邦学习隐私保护方法 |
| CN114169010A (zh) * | 2021-12-13 | 2022-03-11 | 安徽理工大学 | 一种基于联邦学习的边缘隐私保护方法 |
-
2022
- 2022-03-30 CN CN202210333187.1A patent/CN114969503B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021121106A1 (zh) * | 2019-12-20 | 2021-06-24 | 深圳前海微众银行股份有限公司 | 基于联邦学习的个性化推荐方法、装置、设备及介质 |
| CN112329940A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 一种结合联邦学习与用户画像的个性化模型训练方法及系统 |
| CN113434873A (zh) * | 2021-06-01 | 2021-09-24 | 内蒙古大学 | 一种基于同态加密的联邦学习隐私保护方法 |
| CN114169010A (zh) * | 2021-12-13 | 2022-03-11 | 安徽理工大学 | 一种基于联邦学习的边缘隐私保护方法 |
Non-Patent Citations (1)
| Title |
|---|
| 联邦学习在保险行业的应用研究;王春凯;冯键;;保险职业学院学报;20200215(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114969503A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gillani et al. | Me, my echo chamber, and I: introspection on social media polarization | |
| Sattler et al. | Clustered federated learning: Model-agnostic distributed multitask optimization under privacy constraints | |
| CN114969503B (zh) | 一种基于联邦学习的多元数据用户画像实现方法 | |
| Zhang et al. | Gan enhanced membership inference: A passive local attack in federated learning | |
| Qu et al. | Privacy of things: Emerging challenges and opportunities in wireless internet of things | |
| CN110189192B (zh) | 一种信息推荐模型的生成方法及装置 | |
| CN113127916B (zh) | 数据集合处理方法、数据处理方法、装置及存储介质 | |
| Kang et al. | Modeling topic specific credibility on twitter | |
| CN111931950A (zh) | 一种基于联邦学习进行模型参数更新的方法及系统 | |
| CN107682308A (zh) | 基于区块链潜信道技术的电子证据保存系统 | |
| CN111553443B (zh) | 裁判文书处理模型的训练方法、训练装置和电子设备 | |
| CN112101404B (zh) | 基于生成对抗网络的图像分类方法、系统及电子设备 | |
| Vinkel et al. | The how and why to internet voting an attempt to explain E-Stonia | |
| CN112989186B (zh) | 资讯信息推荐模型训练方法、装置、电子设备及存储介质 | |
| Vu et al. | An efficient and practical approach for privacy-preserving Naive Bayes classification | |
| CN114463063A (zh) | 数据处理方法及相关装置 | |
| Fichman | Information quality on yahoo! answers | |
| Alomari | Predicting the intention to use social media among medical students in the United Arab Emirates: A machine learning approach | |
| Liu et al. | Federated Digital Gateway: Methodologies, Tools, and Applications | |
| Rose et al. | Social media data analytics to improve the customer services: the case of fast-food companies | |
| Berki et al. | A Comparative Study of Cyber-Security Knowledge in Higher Education Institutes of Five Countries | |
| CN111401067A (zh) | 一种蜜罐仿真数据的生成方法及装置 | |
| Melis | Building and evaluating privacy-preserving data processing systems | |
| Xie et al. | Federated Learning With Personalized Differential Privacy Combining Client Selection | |
| Ramadhani et al. | A Study on the Conceptual Model of an E-Voting System based on Blockchain |
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 |