CN115238172A - 基于生成对抗网络和社交图注意力网络的联邦推荐方法 - Google Patents

基于生成对抗网络和社交图注意力网络的联邦推荐方法 Download PDF

Info

Publication number
CN115238172A
CN115238172A CN202210750734.6A CN202210750734A CN115238172A CN 115238172 A CN115238172 A CN 115238172A CN 202210750734 A CN202210750734 A CN 202210750734A CN 115238172 A CN115238172 A CN 115238172A
Authority
CN
China
Prior art keywords
network
local
gradient
social graph
user
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
Application number
CN202210750734.6A
Other languages
English (en)
Inventor
王利娥
曾华昌
李先贤
李胜寒
刘天然
谢嘉华
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.)
Guangxi Normal University
Original Assignee
Guangxi Normal 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 Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN202210750734.6A priority Critical patent/CN115238172A/zh
Publication of CN115238172A publication Critical patent/CN115238172A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/90—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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于生成对抗网络和社交图注意力网络的联邦推荐方法，包括对每一本地客户端进行局部更新后将目标用户和交互物品经过嵌入层，得到物品偏好信息；目标客户端使用对抗网络生成器基于物品偏好对交互物品进行打分，得到交互得分样本；利用交互得分样本和目标客户端的初始用户交互物品真实打分计算损失函数值；利用损失函数值推导局部模型梯度和嵌入梯度后进行同态加密后聚合，得到全局模型梯度；将全局模型梯度解密后分发给目标客户端；目标客户端基于解密后的全局模型梯度进行本地模型更新；直至所述社交图注意力网络收敛至预设程度，得到最终预测结果。

Description

基于生成对抗网络和社交图注意力网络的联邦推荐方法
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于生成对抗网络和社交图注意力网络的联邦推荐方法。
背景技术
随着移动互联网的快速发展，当前通过互联网提供服务的平台越来越多，相应提供的服务种类层出不穷。在线内容和服务的爆炸式增长为用户提供了大量的选择，为了更好地为用户提供服务，在为用户提供服务的同时赚取更多的利润，越来越多的服务平台通过采用个性化推荐技术，辅助用户更快地发现自己喜欢的东西。
推荐系统是在用户需求不明确的情况下，从海量的信息中为用户寻找其感兴趣的信息的技术手段。推荐系统结合用户的信息、物品信息以及用户过去对物品的行为，利用机器学习技术构建用户兴趣模型，为用户提供精准的个性化推荐。
近些年，由于图神经网络能较好地捕捉到用户-物品的高阶交互信息进而提高推荐精度受到广泛的关注。然而，现有的基于图神经网络推荐方法通常需要集中存储整个用户-物品图，以完成图神经网络模型的训练以及用户和物品的嵌入表示，这就意味着在集中式存储的用户数据可能会存在隐私泄露的风险。
针对当前联邦图神经网络出现的隐私问题，提出了一种联邦推荐方法，通过将联邦子图神经网络训练出的局部梯度在上传至中央服务器前采用局部差分隐私技术保护起来，同时抽取一些伪交互物品跟真实交互过的物品进行混合，尽可能地减小获取到用户真实交互物品信息的概率。不过，上述方法通常会引入过多的不可信服务器噪声，导致模型精度较差。
发明内容
本发明的目的在于提供一种基于生成对抗网络和社交图注意力网络的联邦推荐方法，旨在解决现有的联邦推荐方法会引入不可信服务器噪声，导致模型精度较差的问题。
为实现上述目的，本发明提供了一种基于生成对抗网络和社交图注意力网络的联邦推荐方法，包括以下步骤：
S1对每一本地客户端进行局部更新，得到目标客户端；
S2所述目标客户端将目标用户和交互物品经过嵌入层，得到物品偏好信息；
S3所述目标客户端使用对抗网络生成器基于所述物品偏好对所述交互物品进行打分，得到交互得分样本；
S4利用所述交互得分样本和所述目标客户端的初始用户交互物品真实打分计算损失函数值；
S5利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度后进行同态加密，得到两个加密梯度；
S6将两个所述加密梯度进行聚合，得到全局模型梯度；
S7将所述全局模型梯度解密后分发给所述目标客户端；
S8所述目标客户端基于解密后的所述全局模型梯度对本地的社交图注意力网络进行更新；
S9循环步骤S2至S8，直至所述社交图注意力网络收敛至预设程度，得到最终预测结果。
其中，所述对每一本地客户端进行局部更新，得到目标客户端的具体方式为：
S11对所有本地客户端的梯度进行聚合，得到聚合梯度；
S12将所述聚合梯度分发给每一本地客户端进行局部更新，得到目标客户端。
其中，所述目标客户端使用对抗网络生成器基于所述物品偏好对所述交互物品进行打分，得到交互得分样本的具体方式为：
S31所述目标客户端对所述目标用户进行筛选，得到社交邻居用户；
S32将所述目标用户和所述社交邻居用户输入嵌入层，得到关系亲近程度；
S33基于所述物品偏好信息和所述关系亲近程度采用注意力机制对所述交互物品进行打分，得到预测得分；
S34将所述预测得分和随机噪声输入对抗网络生成器，得到交互得分样本。
其中，所述将所述目标用户和所述社交邻居用户输入嵌入层，得到关系亲近程度的具体方式为：
利用关系注意力机制对所述目标用户和所述社交邻居用户经过嵌入层进行偏好聚合，得到关系亲近程度。
其中，所述利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度后进行同态加密，得到两个加密梯度的具体方式为：
S51利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度；
S52分别对所述局部模型梯度和所述嵌入梯度进行同态加密，得到两个加密梯度。
本发明的一种基于生成对抗网络和社交图注意力网络的联邦推荐方法，通过对每一本地客户端进行局部更新，得到目标客户端；所述目标客户端将目标用户和交互物品经过嵌入层，得到物品偏好信息；所述目标客户端使用对抗网络生成器基于所述物品偏好对所述交互物品进行打分，得到交互得分样本；利用所述交互得分样本和所述目标客户端的初始用户交互物品真实打分计算损失函数值；利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度后进行同态加密，得到两个加密梯度；两个所述加密梯度进行聚合，得到全局模型梯度；将所述全局模型梯度解密后分发给所述目标客户端；所述目标客户端基于解密后的所述全局模型梯度对本地的社交图注意力网络进行更新，并重新获取物品偏好信息，直至所述社交图注意力网络收敛至预设程度，得到最终预测结果，本发明引入的社交图注意力网络和生成对抗网络在提高推荐精度的同时也在一定程度上保护了用户的隐私数据，将联邦学习引入社交图注意力网络的模型训练中，用户-物品交互数据和用户社交关系聚合的表征始终保存在本地客户端。提出的梯度的同态加密的方法，改善了现有的基于局部差分隐私的联邦图神经网络通常会引入过多的不可信服务器噪声，导致模型精度较差的现象。
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是本发明提供的一种基于生成对抗网络和社交图注意力网络的联邦推荐方法的流程图。
图2是本发明提供的一种基于生成对抗网络和社交图注意力网络的联邦推荐方法的模型图。
图3是联邦子社交图利用关系注意力机制聚合用户偏好信息的示意图。
图4是生成对抗网络训练聚合后的用户偏好信息的过程图。
图5是Intel SGX和联邦子图的数据提供者建立安全传输通道的过程图。
图6是对联邦子图的平均梯度进行同态加密并上传至服务器进行聚合的示意图。
图7是本发明提供的一种基于生成对抗网络和社交图注意力网络的联邦推荐方法的训练流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1至图7，本发明提供一种基于生成对抗网络和社交图注意力网络的联邦推荐方法，包括以下步骤：
S1对每一本地客户端进行局部更新，得到目标客户端；
具体方式为：
S11对所有本地客户端的梯度进行聚合，得到聚合梯度；
具体的，中央服务器(Intel SGX服务器)负责维护全局的用户交互物品和用户社交关系聚合的表征，对每一个本地客户端训练出来的梯度进行聚合。
S12将所述聚合梯度分发给每一本地客户端进行局部更新，得到目标客户端。
具体的，中央服务器将聚合的梯度分发给每个参与联邦社交图注意力网络训练的本地客户端进行局部更新。
S2所述目标客户端将目标用户和交互物品经过嵌入层，得到物品偏好信息；
具体的，每个客户端在本地子图中将目标用户和其交互物品经过嵌入层，得到交互物品的嵌入作为图注意力网络推荐模型训练的输入，得到该用户对这些物品的偏好信息。
将聚合后的用户偏好信息作为生成对抗网络的输入数据，最后输出的非原始真实数据但又与原始数据特征非常相似的结果数据，可以保证训练的效果，同时能有效抵御攻击者基于输出结果的恶意推理攻击。
S3所述目标客户端使用对抗网络生成器基于所述物品偏好对所述交互物品进行打分，得到交互得分样本；
具体方式为：
S31所述目标客户端对所述目标用户进行筛选，得到社交邻居用户；
S32将所述目标用户和所述社交邻居用户输入嵌入层，得到关系亲近程度；
具体的，每个客户端在本地子图中利用关系注意力机制将与步骤S31的目标用户有社交关系的邻居用户(社交邻居用户)经过嵌入层进行偏好聚合，得到目标用户及其邻居用户的嵌入作为图注意力网络推荐模型训练的输入，得到目标用户跟其他用户(社交)关系的亲近程度(关系亲近程度)。
S33基于所述物品偏好信息和所述关系亲近程度采用注意力机制对所述交互物品进行打分，得到预测得分；
具体的，目标用户对这些物品的偏好信息，与该用户有社交关系的邻居用户在其偏好信息的基础上，采用关系注意力机制得出对这些物品的预测打分。
S34将所述预测得分和随机噪声输入对抗网络生成器，得到交互得分样本。
具体的，将预测得分和随机噪声Z作为生成对抗网络生成器G的输入，G会生成一个交互得分样本(伪打分)。与此同时，判别器根据输入交互得分样本，给出真假的二进制判别。
S4利用所述交互得分样本和所述目标客户端的初始用户交互物品真实打分计算损失函数值；
S5利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度后进行同态加密，得到两个加密梯度；
具体方式为：
S51利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度；
具体的，对于得到的损失函数的值，去推导出局部模型梯度和嵌入梯度。
S52分别对所述局部模型梯度和所述嵌入梯度进行同态加密，得到两个加密梯度。
具体的，为了防止对Intel SGX的侧通道攻击所引起的隐私问题，我们引入了同态加密，这样即使Intel SGX被攻破，对手也只能访问密文，而不能访问明文。每个客户端在一个epoch的本地训练结束后，随后对这些梯度进行同态加密。
S6将两个所述加密梯度进行聚合，得到全局模型梯度；
具体的，将同态加密后的梯度上传至Intel SGX进行聚合，随后得到全局模型梯度。
S7将所述全局模型梯度解密后分发给所述目标客户端；
S8所述目标客户端基于解密后的所述全局模型梯度对本地的社交图注意力网络进行更新；
S9循环步骤S2至S8，直至所述社交图注意力网络收敛至预设程度，得到最终预测结果。
我们在保护用户隐私的同时，有效解决了伪交互策略引入过多噪声造成模型精度较低的问题，并且根治了GNN建模高阶交互信息时引入非可靠第三方服务器的安全性问题。
实施案例：
以下案例以一个中央服务器和两个客户端为例，对本发明进行进一步详细说明，具体实施步骤如下。
步骤1：在每一个联邦子图，首先获取用户u1最初交互的物品(t1，t2，t3，t4)经过神经网络嵌入层，得到它们对应的嵌入表示etn(et1，et2，et3，et4)，作为图注意力网络模型的输入。
步骤2：与用户u1有直接社交关系的(u2，u3，u4)经过神经网络嵌入层，得到它们对应的嵌入表示eui(eu1，eu2，eu3，eu4)，作为图注意力网络模型的输入。
步骤3：将步骤1得到的嵌入表示作为本地图注意力网络模型的输入，待模型训练完成后，得到用户偏好信息的隐藏表示
Figure BDA0003718197780000061
i为目标用户的编号，n为目标用户交互过的item编号。
其中，用户偏好信息的隐藏表示
Figure BDA0003718197780000062
此处的σ表示非线性激活函数，C(i)是ui交互的物品，αin表示物品tn占用户ui的注意权值，xin为用户ui对物品tn的评分表示，其表示为
Figure BDA0003718197780000071
此处的gv()表示多层感知机，eui为目标用户及其社交关系邻居用户的嵌入表示，etn为目标用户交互item的嵌入表示。
步骤4：将步骤2得到的嵌入表示作为本地图注意力网络模型的输入，待模型训练完成后，得到目标用户跟其邻居用户(社交)关系的亲近程度
Figure BDA0003718197780000072
Figure BDA0003718197780000073
i为目标用户的编号，n为与目标用户存在社交关系的邻居用户编号。
其中，目标用户跟其邻居用户(社交)关系的亲近程度
Figure BDA0003718197780000074
Figure BDA0003718197780000075
w1和w2为注意力网络的权重向量，b1和b2为偏置项。
步骤5：步骤4在步骤3的基础上，将得到其社交关系用户偏好信息的隐藏表示
Figure BDA0003718197780000076
经过一个评分预测器，得出预测分数
Figure BDA0003718197780000077
Figure BDA0003718197780000078
其中，社交关系用户偏好信息的隐藏表示
Figure BDA0003718197780000079
Figure BDA00037181977800000710
k为与目标用户存在社交关系的邻居用户，n为目标用户交互过的item编号，此处的o表示用户um，N(i)表示与ui存在社交关系的用户集合。
步骤6：将步骤5的预测得分和随机噪声Z作为生成对抗网络生成器G的输入，G会生成一个交互得分样本(伪打分)
Figure BDA00037181977800000711
与此同时，判别器根据输入交互得分样本和用户u1对交互物品的真实打分，给出真假的二进制判别。
步骤7：利用联邦子图用户u1对交互物品的真实打分
Figure BDA00037181977800000712
跟交互得分样本(伪打分)
Figure BDA00037181977800000713
计算出损失函数的值。对于用户ui，损失函数
Figure BDA00037181977800000714
(其中k为与用户ui有社交关联的用户)
步骤8：利用损失函数求出的值
Figure BDA00037181977800000717
推导出模型梯度和嵌入梯度，分别表示为
Figure BDA00037181977800000715
和
Figure BDA00037181977800000716
步骤9：在Intel SGX初始化阶段，服务器会在Intel SGX上开辟enclave程序区。如图5所示，每一个联邦子图的数据提供者会去验证enclave程序区的合法性，服务器与每个数据提供者建立密钥交换协议，并商定出公钥pk。这就在enclave和每一个联邦子图的数据提供者之间建立了一条安全传输通道，后续所有的数据都将通过这条通道传输。
步骤10：在确保enclave程序区合法地运行在Intel SGX上后，Paillier加密系统会针对每一个联邦k子图的数据，生成对应的公钥pk和私钥sk。通过在服务器上部署IntelSGX，该服务器作为可信任的第三方，与LDP模型相比，在实现相同隐私保护效果的同时引入更少的噪声。
步骤11：利用Paillier加密系统产生的公钥pk对各联邦子图的平均梯度进行同态加密，如图6所示，平均梯度加密后为：
Figure BDA0003718197780000081
随后将其上传至服务器在IntelSGX上开辟的enclave程序区进行聚合，
Figure BDA0003718197780000082
Figure BDA0003718197780000083
得到加密后的平均聚合梯度。注：这里的
Figure BDA0003718197780000084
为联邦子图的平均梯度，Q表示参与聚合的联邦子图的数量，
Figure BDA0003718197780000085
Figure BDA0003718197780000086
步骤12：最终，Intel SGX在enclave程序执行完成后生成一个验证标识σs，将其跟聚合梯度的密文一并返回给每一个参与聚合的联邦子图。
步骤13：每一参与聚合的联邦子图在收到验证标识σs后，会验证其合法性，确保Intel SGX正常完成聚合梯度的操作。其次，再用其私钥sk对聚合的梯度密文
Figure BDA0003718197780000087
进行解密，得到的全局梯度
Figure BDA0003718197780000088
用以更新每一联邦子图模型的训练。这一过程会迭代地执行，直到最终整个模型收敛，表明联邦学习结合生成对抗网络和基于社交图注意力网络的整个框架训练完成，在一定程度上提高了推荐的精度，同时也有效地保护了用户隐私的安全。
本发明的创新点包括以下几个方面：
提出了基于生成对抗网络和社交图注意力网络的联邦推荐方法。
将联邦学习运用在基于社交图注意力网络的推荐系统上，使得用户交互数据在不出本地设备的前提下，完成局部子社交图注意力网络模型的训练。
把生成对抗网络引入联邦推荐中，将聚合后的用户偏好信息作为生成对抗网络的输入数据，最后输出的非原始真实数据但又与原始数据特征非常相似的结果数据，可以保证训练的效果，同时能有效抵御攻击者基于输出结果的恶意推理攻击。
将Intel SGX应用于生成对抗网络和社交图注意力网络的联邦推荐方法。通过使用Intel SGX，与基于LDP的图神经网络推荐方法相比，我们方法引入更少的噪声，同时模型性能也得到了改善。
本发明集成了联邦学习框架，结合生成对抗网络和基于社交图注意力网络来提高推荐精度和保护用户隐私的安全。首先，在每一个本地客户端，我们将社交图注意力网络和生成对抗网络引入联邦推荐中，对目标用户和存在社交关系的偏好相近的其他用户，依据关系注意力机制进行用户偏好聚合，通过多维度数据的融合以提高推荐结果的质量；其次，利用生成对抗网络训练得到与用户数据特征非常相似的生成数据，可以有效保护用户数据的安全；特别需要说明的是，在联邦子社交图注意力网络训练模型时，用户交互物品数据和用户社交关系聚合的表征始终保存在每一个联邦子图上。然后，为了保证梯度在传输过程中的安全，我们将训练好的梯度先进行加密再上传至中央服务器，中央服务器负责聚合每一个本地客户端上传的梯度并得到全局模型梯度，在整个过程中可以有效保护用户的隐私安全。
以上所揭露的仅为本发明一种基于生成对抗网络和社交图注意力网络的联邦推荐方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (5)

1.一种基于生成对抗网络和社交图注意力网络的联邦推荐方法，其特征在于，包括以下步骤：
S1对每一本地客户端进行局部更新，得到目标客户端；
S2所述目标客户端将目标用户和交互物品经过嵌入层，得到物品偏好信息；
S3所述目标客户端使用对抗网络生成器基于所述物品偏好对所述交互物品进行打分，得到交互得分样本；
S4利用所述交互得分样本和所述目标客户端的初始用户交互物品真实打分计算损失函数值；
S5利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度后进行同态加密，得到两个加密梯度；
S6将两个所述加密梯度进行聚合，得到全局模型梯度；
S7将所述全局模型梯度解密后分发给所述目标客户端；
S8所述目标客户端基于解密后的所述全局模型梯度对本地的社交图注意力网络进行更新；
S9循环步骤S2至S8，直至所述社交图注意力网络收敛至预设程度，得到最终预测结果。
2.如权利要求1所述的基于生成对抗网络和社交图注意力网络的联邦推荐方法，其特征在于，
所述对每一本地客户端进行局部更新，得到目标客户端的具体方式为：
S11对所有本地客户端的梯度进行聚合，得到聚合梯度；
S12将所述聚合梯度分发给每一本地客户端进行局部更新，得到目标客户端。
3.如权利要求2所述的基于生成对抗网络和社交图注意力网络的联邦推荐方法，其特征在于，
所述目标客户端使用对抗网络生成器基于所述物品偏好对所述交互物品进行打分，得到交互得分样本的具体方式为：
S31所述目标客户端对所述目标用户进行筛选，得到社交邻居用户；
S32将所述目标用户和所述社交邻居用户输入嵌入层，得到关系亲近程度；
S33基于所述物品偏好信息和所述关系亲近程度采用注意力机制对所述交互物品进行打分，得到预测得分；
S34将所述预测得分和随机噪声输入对抗网络生成器，得到交互得分样本。
4.如权利要求3所述的基于生成对抗网络和社交图注意力网络的联邦推荐方法，其特征在于，
所述将所述目标用户和所述社交邻居用户输入嵌入层，得到关系亲近程度的具体方式为：
利用关系注意力机制对所述目标用户和所述社交邻居用户经过嵌入层进行偏好聚合，得到关系亲近程度。
5.如权利要求4所述的基于生成对抗网络和社交图注意力网络的联邦推荐方法，其特征在于，
所述利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度后进行同态加密，得到两个加密梯度的具体方式为：
S51利用所述损失函数值推导社交图注意力网络的局部模型梯度和嵌入梯度；
S52分别对所述局部模型梯度和所述嵌入梯度进行同态加密，得到两个加密梯度。
CN202210750734.6A 2022-06-28 2022-06-28 基于生成对抗网络和社交图注意力网络的联邦推荐方法 Pending CN115238172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210750734.6A CN115238172A (zh) 2022-06-28 2022-06-28 基于生成对抗网络和社交图注意力网络的联邦推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210750734.6A CN115238172A (zh) 2022-06-28 2022-06-28 基于生成对抗网络和社交图注意力网络的联邦推荐方法

Publications (1)

Publication Number Publication Date
CN115238172A true CN115238172A (zh) 2022-10-25

Family

ID=83671902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210750734.6A Pending CN115238172A (zh) 2022-06-28 2022-06-28 基于生成对抗网络和社交图注意力网络的联邦推荐方法

Country Status (1)

Country Link
CN (1) CN115238172A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952550A (zh) * 2023-03-14 2023-04-11 深圳市洞见智慧科技有限公司 基于分离学习的纵向图联邦信息推荐方法及相关装置
CN116361561A (zh) * 2023-05-30 2023-06-30 安徽省模式识别信息技术有限公司 一种基于变分推理的分布式跨界服务推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952550A (zh) * 2023-03-14 2023-04-11 深圳市洞见智慧科技有限公司 基于分离学习的纵向图联邦信息推荐方法及相关装置
CN116361561A (zh) * 2023-05-30 2023-06-30 安徽省模式识别信息技术有限公司 一种基于变分推理的分布式跨界服务推荐方法及系统

Similar Documents

Publication Publication Date Title
TWI733106B (zh) 基於模型的預測方法和裝置
CN110399742B (zh) 一种联邦迁移学习模型的训练、预测方法及装置
WO2021004551A1 (zh) 纵向联邦学习系统优化方法、装置、设备及可读存储介质
Badsha et al. Privacy preserving location-aware personalized web service recommendations
CN108446680A (zh) 一种基于边缘计算的人脸认证系统中的隐私保护方法
CN115238172A (zh) 基于生成对抗网络和社交图注意力网络的联邦推荐方法
US11170786B1 (en) Federated speaker verification method based on differential privacy
CN114363043B (zh) 一种对等网络中基于可验证聚合和差分隐私的异步联邦学习方法
Zhang et al. Security and privacy threats to federated learning: Issues, methods, and challenges
Lyu et al. Towards fair and decentralized privacy-preserving deep learning with blockchain
CN115037556B (zh) 一种智慧城市系统中加密数据可授权共享方法
CN114679332A (zh) 一种分布式系统的apt检测方法
CN111581648B (zh) 在不规则用户中保留隐私的联邦学习的方法
Madi et al. Computing neural networks with homomorphic encryption and verifiable computing
Bai et al. A method to improve the privacy and security for federated learning
Smahi et al. BV-ICVs: A privacy-preserving and verifiable federated learning framework for V2X environments using blockchain and zkSNARKs
Ge et al. A review of secure federated learning: privacy leakage threats, protection technologies, challenges and future directions
Upadhyay et al. Auditing metaverse requires multimodal deep learning
CN110175283B (zh) 一种推荐模型的生成方法及装置
Zhu et al. Privacy-preserving decentralized federated deep learning
Chen et al. Endogenous Security Formal Definition, Innovation Mechanisms, and Experiment Research in Industrial Internet
Toli et al. Privacy-preserving multibiometric authentication in cloud with untrusted database providers
Rajkumar et al. Deep learning-based key transmission (DLKT) protocol for secured group communication in cloud
CN115525907A (zh) 恶意敌手模型下的向量相似度判断方法及通信设备
Geetha et al. Blockchain based Mechanism for Cloud Security

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