CN115442099A - 一种基于分布式gan的隐私保护数据共享方法及系统 - Google Patents
一种基于分布式gan的隐私保护数据共享方法及系统 Download PDFInfo
- Publication number
- CN115442099A CN115442099A CN202211036310.XA CN202211036310A CN115442099A CN 115442099 A CN115442099 A CN 115442099A CN 202211036310 A CN202211036310 A CN 202211036310A CN 115442099 A CN115442099 A CN 115442099A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- data owner
- privacy protection
- 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.)
- Granted
Links
- 230000004224 protection Effects 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 110
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 71
- 230000008569 process Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000003094 perturbing effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000586 desensitisation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- PQYUGUXEJHLOIL-UHFFFAOYSA-N diethoxysilyl triethyl silicate Chemical compound C(C)O[SiH](O[Si](OCC)(OCC)OCC)OCC PQYUGUXEJHLOIL-UHFFFAOYSA-N 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- 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
- H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
- H04L63/105—Multiple levels of security
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- H04L63/0407—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the identity of one or more communicating identities is hidden
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分布式GAN的隐私保护数据共享方法及系统,涉及数据共享和隐私保护技术领域。包括:中心服务器提供多个个性化合约;多个数据所有者中的每个数据所有者根据自己的隐私保护需求选择一个个性化合约;每个数据所有者使用其私有数据集对其本地GAN模型进行预训练;中心服务器设计隐私保护等级选择策略;协助训练的数据所有者对中心服务器的中心生成器模型进行优化,完成隐私保护数据共享。本发明能够在不传输原始数据的前提下,利用数据所有者的本地数据集协同训练中心生成模型实现数据共享;在差分隐私的保障下实现模型的训练;为具有不同隐私偏好的数据所有者设计不同隐私保护的合约。
Description
技术领域
本发明涉及数据共享和隐私保护技术领域,特别是指一种基于分布式GAN的隐私保护数据共享方法及系统。
背景技术
现如今传感设备数量呈现爆炸式增长趋势,随之而来的是物联网终端产生的“海量级”数据。这些高质量的数据使得机器学习在图像识别、自动驾驶、产品推荐等诸多领域产生了巨大影响。具有高可用性的数据已成为机器学习发展的主要驱动力。然而,当下仍存在没有足够的训练数据用于机器学习任务的情况,这主要是由于公众对数据泄露的担忧以及隐私保护意识的增强。具体来说,共享数据可能包含用户的隐私信息,数据所有者由于隐私泄露问题而不愿对外共享数据。此外,还存在机密数据无法传输只能保存在所有者本地的情况。因此,保护数据所有者的隐私并激励他们共享数据正成为机器学习进一步发展的关键瓶颈之一。
针对数据共享中的隐私问题,各界研究学者们相继提出了一系列解决方案。一些研究者使用基于ABE(Attribute-Based Encryption,属性加密)、SMC(Secure Multi-PartyComputation,安全多方计算)和区块链等技术,通过在数据共享中隐藏用户身份或设计细粒度的访问控制机制来实现隐私保护,例如【Pu Y,Hu C,Deng S,et al.R2PEDS:arecoverable and revocable privacy-preserving edge data sharing scheme[J].IEEEInternet of Things Journal,2020,7(9):8077-8089.】、【Zheng X,Cai Z.Privacy-preserved data sharing towards multiple parties in industrial IoTs[J].IEEEJournal on Selected Areas in Communications,2020,38(5):968-979.】、【Xu X,Liu Q,Zhang X,et al.A blockchain-powered crowdsourcing method with privacypreservation in mobile environment[J].IEEE Transactions on ComputationalSocial Systems,2019,6(6):1407-1419.】。但此类方案侧重于实现身份验证和访问控制机制,这不仅需要传输原始数据并且需要大量的额外计算。联邦学习的兴起为此提供了一种新的解决方案,其能够在不传输原始数据的情况下实现模型的训练。但当训练任务发生变化或机器学习模型更新时,其需要重复访问私有数据集,这增加了隐私泄露的风险。
现有基于人工智能方法解决物联网数据共享中的隐私保护问题的方案可大致分为两类,一类是基于联邦学习的数据共享,另一类是基于生成对抗网络的数据共享。这两类都不需要上传用户的原始数据,这在一定程度上保护了用户的隐私但仍存在一定的局限性,下面将分别介绍并总结其不足之处。
联邦学习的兴起打破了人工智能技术需要集中进行数据收集和处理的局限。因此,联邦学习能够用于广泛的IoT(Internet of Thing,物联网)服务,为隐私保护的数据共享提供了新的解决方案。例如,在IoV(Internet of Vehicles,车联网)中,车辆之间的数据共享可以提高服务质量。为了减少传输负载并解决数据共享中的隐私问题,作者提出了一种基于联邦学习的新架构【Lu Y,Huang X,Zhang K,et al.Blockchain empoweredasynchronous federated learning for secure data sharing in internet ofvehicles[J].IEEE Transactions on Vehicular Technology,2020,69(4):4298-4311.】。他们开发了由区块链和局部DAG(Directed Acyclic Graph,有向无环图)组成的混合区块链架构,以提高模型参数的安全性和可靠性。论文【Yin L,Feng J,Xun H,et al.Aprivacy-preserving federated learning for multiparty data sharing in social IoTs[J].IEEE Transactions on Network Science and Engineering,2021,8(3):2706-2718.】也使用了联邦学习来实现数据共享,但作者提出了一种新的混合隐私保护方法来克服联邦学习中数据和内容层面的披露。他们采用先进的功能性加密算法和本地贝叶斯差分隐私来保留上传数据的特征和加权求和过程中每个参与者的权重。
由于GAN(Generative Adversarial Network,生成对抗网络)适用于各种类型的数据,因此许多研究人员通过联合训练GAN取代直接传输数据以实现隐私保护的数据共享。在CPSS(Cyber-Physical-Social Systems,信息物理社会系统)中,人类从网络空间到物理世界的交互是通过时空数据的共享来实现的。为了权衡隐私保护和数据效用,作者使用修改后的GAN模型,同时运行两个博弈(在生成器、鉴别器和差分私有标识符之间)【Qu Y,YuS,Zhou W,et al.Gan-driven personalized spatial-temporal private data sharingin cyber-physical social systems[J].IEEE Transactions on Network Science andEngineering,2020,7(4):2576-2586.】。在论文【Chang Q,Qu H,Zhang Y,et al.Syntheticlearning:Learn from distributed asynchronized discriminator gan withoutsharing medical image data[C]//Proceedings of the IEEE/CVF Conference onComputer Vision and Pattern Recognition.2020:13856-13866.】中,作者提出了一种隐私保护和通信高效的分布式GAN框架,称为分布式异步鉴别器GAN(AsynDGAN)。它旨在从分布式鉴别器中学习,并仅使用生成的合成图像训练中央生成器以训练分割模型。
这两类方法仍存在一定的局限性,具体表现为:1)使用联邦学习的解决方案可以在不上传数据的情况下训练任务模型。然而,这些方案仍存在较大的隐私泄露风险,因为当任务改变或机器学习架构更新时,需要多次重新访问私有数据集。2)现有的基于GAN的方案无法平衡隐私保护和数据可用性之间的关系,并且无法满足数据所有者们个性化的隐私保护需求。
发明内容
本发明针对如何保护数据所有者的隐私并激励他们共享数据的问题,提出了本发明。
为解决上述技术问题,本发明提供如下技术方案:
一方面,本发明提供了一种基于分布式GAN的隐私保护数据共享方法,该方法由基于分布式GAN的隐私保护数据共享系统实现,该系统包括中心服务器以及多个数据所有者;
该方法包括:
S1、中心服务器提供多个个性化合约。
S2、多个数据所有者中的每个数据所有者从多个个性化合约中选择一个个性化合约。
S3、每个数据所有者利用数据所有者的本地私有数据集对数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型。
S4、中心服务器设计隐私保护等级选择策略。
S5、多个数据所有者根据隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,完成隐私保护数据共享。
可选地,S1中的多个个性化合约包括多个隐私保护等级以及与多个隐私保护等级对应的奖励。
可选地,S3中的每个数据所有者利用数据所有者的本地私有数据集对数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型包括:
S31、每个数据所有者从中心服务器获取原始GAN模型。
S32、每个数据所有者利用数据所有者的本地私有数据集对原始GAN模型进行预训练,得到预训练后的本地GAN模型。
可选地,本地GAN模型包括本地生成器以及本地鉴别器。
S32中的得到预训练后的本地GAN模型后还包括:
每个数据所有者将预训练后的本地生成器隐藏。
可选地,S5中的多个数据所有者根据隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化包括:
S51、中心服务器根据隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ。
S52、中心服务器根据隐私保护等级ρ以及每个数据所有者选择的个性化合约,得到多个数据所有者中隐私保护等级为ρ的多个数据所有者。
S53、中心服务器从隐私保护等级为ρ的多个数据所有者中随机选择一个数据所有者,作为协助训练的数据所有者。
S54、协助训练的数据所有者根据协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,优化后转去执行S51进行迭代训练,直到迭代次数达到预设阈值停止迭代,中心生成器模型训练完成。
可选地,S51中的中心服务器根据隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ包括:
S511、中心服务器根据中心生成器模型训练过程的迭代次数确定噪声规模的衰减函数。
S512、中心服务器根据衰减函数确定噪声规模。
S513、中心服务器根据噪声规模确定协助本轮训练的数据所有者的隐私保护等级ρ。
可选地,S54中的协助训练的数据所有者根据协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化包括:
S541、协助训练的数据所有者从中心服务器获取中心生成器模型生成的数据。
S542、协助训练的数据所有者根据中心生成器模型生成的数据以及协助训练的数据所有者的私有数据集,对预训练后的本地GAN模型中的本地鉴别器进行更新。
S543、协助训练的数据所有者根据更新后的本地鉴别器计算梯度。
S544、协助训练的数据所有者基于个性化差分隐私理论扰动梯度,得到扰动后的梯度。
S545、中心服务器根据扰动后的梯度对中心服务器的中心生成器模型进行优化。
可选地,S544中的基于个性化差分隐私理论扰动梯度包括:
基于高斯机制以及扰动程度对梯度进行扰动;其中,扰动程度由个性化合约的隐私保护等级决定。
另一方面,本发明提供了一种基于分布式GAN的隐私保护数据共享系统,该系统应用于实现基于分布式GAN的隐私保护数据共享方法,该系统包括中心服务器以及多个数据所有者,其中:
中心服务器,用于提供多个个性化合约;设计隐私保护等级选择策略。
多个数据所有者,用于从多个个性化合约中选择一个个性化合约;利用数据所有者的本地私有数据集对数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型;根据隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,完成隐私保护数据共享。
可选地,多个个性化合约包括多个隐私保护等级以及与多个隐私保护等级对应的奖励。
可选地,多个数据所有者,进一步用于:
S31、每个数据所有者从中心服务器获取原始GAN模型。
S32、每个数据所有者利用数据所有者的本地私有数据集对原始GAN模型进行预训练,得到预训练后的本地GAN模型。
可选地,本地GAN模型包括本地生成器以及本地鉴别器。
多个数据所有者,进一步用于:
每个数据所有者将预训练后的本地生成器隐藏。
可选地,多个数据所有者,进一步用于:
S51、中心服务器根据隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ。
S52、中心服务器根据隐私保护等级ρ以及每个数据所有者选择的个性化合约,得到多个数据所有者中隐私保护等级为ρ的多个数据所有者。
S53、中心服务器从隐私保护等级为ρ的多个数据所有者中随机选择一个数据所有者,作为协助训练的数据所有者。
S54、协助训练的数据所有者根据协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,优化后转去执行S51进行迭代训练,直到迭代次数达到预设阈值停止迭代,中心生成器模型训练完成。
可选地,中心服务器,进一步用于:
S511、中心服务器根据中心生成器模型训练过程的迭代次数确定噪声规模的衰减函数。
S512、中心服务器根据衰减函数确定噪声规模。
S513、中心服务器根据噪声规模确定协助本轮训练的数据所有者的隐私保护等级ρ。
可选地,多个数据所有者,进一步用于:
S541、协助训练的数据所有者从中心服务器获取中心生成器模型生成的数据。
S542、协助训练的数据所有者根据中心生成器模型生成的数据以及协助训练的数据所有者的私有数据集,对预训练后的本地GAN模型中的本地鉴别器进行更新。
S543、协助训练的数据所有者根据更新后的本地鉴别器计算梯度。
S544、协助训练的数据所有者基于个性化差分隐私理论扰动梯度,得到扰动后的梯度。
S545、中心服务器根据扰动后的梯度对中心服务器的中心生成器模型进行优化。
可选地,多个数据所有者,进一步用于:
基于高斯机制以及扰动程度对梯度进行扰动;其中,扰动程度由个性化合约的隐私保护等级决定。
本发明实施例提供的技术方案带来的有益效果至少包括:
上述方案中,针对物联网数据共享中的隐私问题,提出了一种基于异步分布式GAN的隐私保护数据共享方案。结合差分隐私理论和分布式GAN,使用每个数据所有者本地的数据集以个性化的隐私保护方式训练一个中心生成模型。所提出的分布式GAN训练框架,能够在不传输原始数据的前提下,利用数据所有者的本地数据集协同训练中心生成模型以实现数据共享,然后利用中心生成模型为下游任务重建数据集。结合差分隐私理论提出梯度“脱敏”策略,在保护用户隐私的前提下最大程度保留梯度的可用性,在差分隐私的保障下实现模型的优化。为拥有不同隐私偏向的数据所有者设计多等级的隐私保护合约,以及差分隐私级别选择策略的提出,能够平衡数据可用性和用户隐私保护需求,以最小的隐私消耗完成模型的训练。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例提供的基于分布式GAN的隐私保护数据共享方法流程示意图;
图2是本发明实施例提供的基于分布式GAN的隐私保护数据共享系统框图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1所示,本发明实施例提供了一种基于分布式GAN的隐私保护数据共享方法,该方法可以由基于分布式GAN的隐私保护数据共享系统实现。如图1所示的基于分布式GAN的隐私保护数据共享方法流程图,该方法的处理流程可以包括如下的步骤:
S1、中心服务器提供多个个性化合约。
可选地,S1中的多个个性化合约包括多个隐私保护等级以及与多个隐私保护等级对应的奖励。
一种可行的实施方式中,中心服务器在数据共享之初为数据所有者设计一系列具有不同隐私保护等级和奖励的个性化合约(ρ1,r1),(ρ2,r2),...,(ρK,rK),以满足不同隐私偏向的数据所有者的隐私保护需求。其中隐私保护级别越高奖励越少,数据所有者可以选择相应的合约以最大化自己的利润。然后,服务器将数据需求和合约发布给在系统中注册的数据所有者(即)。
其中,中心服务器具有强大的计算能力和通信带宽。其目的是招募足够多的数据所有者以协同训练一个中心生成器,直到其具有强大的数据生成能力。本发明实施例假设中心服务器不会违背定义的协议,但可能会尝试推断用户的隐私。
S2、多个数据所有者中的每个数据所有者从多个个性化合约中选择一个个性化合约。
一种可行的实施方式中,数据所有者集合由个数据所有者组成,每个数据所有者拥有一个私有数据集包括Nu个数据样本(即)。这些数据所有者具备一定的计算和通信能力,想要使用私有数据集参与训练任务以换取一些报酬。但是他们想要保护自己的隐私免受来自中心服务器的推理攻击。此外,不同的用户具有不同的隐私偏好(即对隐私暴露的敏感性),因此需要个性化的隐私保护。
S3、每个数据所有者利用数据所有者的本地私有数据集对数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型。
可选地,S3中的每个数据所有者利用数据所有者的本地私有数据集对数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型包括:
S31、每个数据所有者从中心服务器获取原始GAN模型。
S32、每个数据所有者利用数据所有者的本地私有数据集对原始GAN模型进行预训练,得到预训练后的本地GAN模型。
可选地,本地GAN模型包括本地生成器以及本地鉴别器。
S32中的得到预训练后的本地GAN模型后还包括:
每个数据所有者将预训练后的本地生成器隐藏。
一种可行的实施方式中,本发明实施例提出了隐私保护的异步分布式GAN训练框架,该框架利用数据所有者的本地数据集协同训练中心生成模型。
进一步地,所有参与训练的数据所有者使用其私有数据集在本地预训练GAN模型。在预训练完成后,隐藏能够生成模拟数据的生成器,而使用本地鉴别器协助服务器训练中心生成器。
进一步地,预训练过程包括:首先根据数据要求对私有数据集进行预处理,进而训练本地GAN模型。预训练过程在下述算法1中详细阐述:
在预训练完成后,在每个数据所有者本地都拥有一个训练完成的生成器和判别器,其中学习了本地数据分布的生成器将被隐藏,而鉴别器将存储在本地以协助训练中心生成器。协助训练的目的是使用本地鉴别器和数据所有者u上的私有数据集训练中心生成器。
S4、中心服务器设计隐私保护等级选择策略。
一种可行的实施方式中,为了以最小的隐私成本优化中心生成器,本发明实施例设计了隐私保护级别选择策略,以在每一轮中选择相应的数据所有者协助训练。
S5、多个数据所有者根据隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,完成隐私保护数据共享。
可选地,S5中的多个数据所有者根据隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化包括:
S51、中心服务器根据隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ。
可选地,S51中的中心服务器根据隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ包括:
S511、中心服务器根据中心生成器模型训练过程的迭代次数确定噪声规模的衰减函数。
S512、中心服务器根据衰减函数确定噪声规模。
S513、中心服务器根据噪声规模确定协助本轮训练的数据所有者的隐私保护等级ρ。
S52、中心服务器根据隐私保护等级ρ以及每个数据所有者选择的个性化合约,得到多个数据所有者中隐私保护等级为ρ的多个数据所有者。
S53、中心服务器从隐私保护等级为ρ的多个数据所有者中随机选择一个数据所有者,作为协助训练的数据所有者。
一种可行的实施方式中,中心服务器设计隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ。然后从签订合约的隐私保护级别为ρ的数据所有者随机选取一个,并使用他的本地鉴别器进行本轮训练。
S54、协助训练的数据所有者根据协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,优化后转去执行S51进行迭代训练,直到迭代次数达到预设阈值停止迭代,中心生成器模型训练完成。
可选地,S54中的协助训练的数据所有者根据协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化包括:
S541、协助训练的数据所有者从中心服务器获取中心生成器模型生成的数据。
一种可行的实施方式中,被选定的数据所有者u接收中心生成器生成的数据。
S542、协助训练的数据所有者根据中心生成器模型生成的数据以及协助训练的数据所有者的私有数据集,对预训练后的本地GAN模型中的本地鉴别器进行更新。
S543、协助训练的数据所有者根据更新后的本地鉴别器计算梯度。
S544、协助训练的数据所有者基于个性化差分隐私理论扰动梯度,得到扰动后的梯度。
一种可行的实施方式中,数据所有者u基于差分隐私理论扰动计算的梯度,其中扰动程度由签署的合约中规定的隐私保护级别决定。然后,其将扰动后梯度发送给中心服务器用于生成器的优化。
可选地,S544中的基于个性化差分隐私理论扰动梯度包括:
基于高斯机制以及扰动程度对梯度进行扰动。
其中,扰动程度由个性化合约的隐私保护等级决定。
S545、中心服务器根据扰动后的梯度对中心服务器的中心生成器模型进行优化。
一种可行的实施方式中,中心服务器根据所选数据所有者的扰动梯度更新中央生成器模型。然后中心服务器重新选择隐私保护等级和数据所有者进行下一轮辅助训练,直到中心生成器训练完成。
本发明实施例提出了个性化隐私保护策略,其通过扰动数据所有者本地计算的梯度以实现差分隐私保障,并且隐私保护级别由每个数据所有者签署的合约指定。
进一步地,中心服务器上没有判别器,其优化完全依赖于数据所有者端的判别器。并且为了以最小的隐私成本最大化模型性能,本发明实施例提出了隐私保护级别选择策略,以在不同的训练阶段选择不同的隐私保护级别,以最小的隐私损失完成训练。在每次迭代中,服务器根据策略选择一个数据所有者,并使用其本地鉴别器来优化中央生成器。中心生成器的优化过程描述在下述算法2中:
每个数据所有者的协助训练过程(第7行)显示在下述算法3。在协助训练阶段,数据所有者u使用其本地鉴别器和私有数据集来优化中心生成器。详细说明如下,选定的数据所有者将首先从中心服务器接收生成的数据,并使用生成数据和本地数据集来更新鉴别器。然后,利用本地鉴别器计算梯度,并在梯度回传之前以个性化差分隐私的方式对梯度进行扰动,扰动程度由已签署合约中隐私保护级别决定。
个性化隐私保护方法进一步可以解释为:一般来说,机器学习中的隐私问题是由于模型训练需要大量的用户数据,在多轮训练迭代后模型获取重多数据特征。攻击者可以利用模型参数、梯度等推断输入数据的相关信息。同样地,GAN模型的训练也需要大量用户数据,生成器被训练产生模拟数据以模拟真实数据的分布,而鉴别器在训练时需要输入大量真实数据以鉴别真实数据和模拟数据。因此,为保护每个数据所有者的隐私,其本地生成器需要被隐藏,并需要以个性化差分隐私的方式扰动本地鉴别器计算的梯度。
根据差分隐私组合定理,若每个SGD(Stochastic Gradient Descent,随机梯度下降)过程都符合差分隐私【Lee J,Kifer D.Concentrated differentially privategradient descent with adaptive per-iteration privacy budget[C]//Proceedingsof the 24th ACM SIGKDD International Conference on Knowledge Discovery&DataMining.2018:1656-1665.】,则最终模型也是差分隐私的,中心生成器梯度下降过程为下式(1):
与此相比,本发明实施例的扰动机制可以减少被扰动的梯度范围,从而减少有用信息的破坏。根据链式法则,扰动机制的范围可以缩小。
如上式2所示,梯度信息反向传播可以分为两部分。第一部分由每个数据所有者的本地鉴别器基于接收到的模拟数据计算得出(其中)。另一部分是中心生成器计算的雅可比矩阵其独立于训练数据。因此,可以将扰动范围缩小到第一部分,基于高斯机制的扰动过程进一步可以描述为下式(3)(4):
其中,是数据所有者u使用本地鉴别器计算的梯度,是高斯噪声。裁剪(clip)操作使用L2范数执行,其中通过将梯度gu替换gu/max(1,||gu||2/C)确保||gu||≤C。值得注意的是,噪声方差σ2直接影响噪声的尺度,当高斯噪声的方差较大时,越大,隐私保护级别越高。而噪声方差σ2是由每个用户签订合约中隐私保护等级决定,由此实现个性化差分隐私保障。
进一步地,DP-SGD(Differential Privacy Stochastic Gradient Descent,差分隐私随机梯度下降)仍存在两个关键问题。一方面,GAN模型的训练往往需要较大的迭代次数,这会导致较大的隐私损失。另一方面,每个数据所有者需要不同的隐私保护级别,这意味着每个DP-SGD中的噪声规模不同,这也直接影响隐私损失和最终模型的性能。因此,本发明实施例设计隐私保护级别的选择策略,在每轮训练中选择具有特定隐私保护级别的数据所有者,从而在完成模型训练的同时降低隐私成本。具体来说,本发明实施例的噪声选择策略遵循这样的思想,即随着中心生成器生成能力的增强,其期望梯度中的扰动噪声的规模更小,进而使得模型进一步优化。本发明实施例选择噪声规模的策略是监控中心生成器的性能,并逐渐选择噪声规模较小的数据所有者。但由于在训练时,无法直接访问每个数据所有者的本地判别器,只能获得扰动梯度。因此,很难使用每个数据所有者的本地鉴别器来评估中心生成器的性能。为此本发明实施例提出了一种基于训练迭代轮次选择适当噪声规模的策略。具体来说,应该根据噪声规模的衰减函数确定噪声规模,进一步选择相应的数据所有者协助训练。衰减函数以训练n为参数,噪声规模与n呈负相关。衰减函数如下式(5)所示:
ρt=ρ0/(1+kn) (5)
其中,ρ0是初始噪声参数,n是迭代轮数,k是衰减率。中心服务器通过衰减函数确定噪声规模后,选择与噪声规模最相似的合约,最后从签订合约的数据所有者中选出一个协助本轮训练。
进一步地,完成中心生成器的训练后,服务器根据签订合约中规定的估值为每个数据所有者兑换奖励。
本发明实施例中,针对物联网数据共享中的隐私问题,提出了一种基于异步分布式GAN的隐私保护数据共享方案。结合差分隐私理论和分布式GAN,使用每个数据所有者本地的数据集以个性化的隐私保护方式训练一个中心生成模型。所提出的分布式GAN训练框架,能够在不传输原始数据的前提下,利用数据所有者的本地数据集协同训练中心生成模型以实现数据共享,然后利用中心生成模型为下游任务重建数据集。结合差分隐私理论提出梯度“脱敏”策略,在保护用户隐私的前提下最大程度保留梯度的可用性,在差分隐私的保障下实现模型的优化。为拥有不同隐私偏向的数据所有者设计多等级的隐私保护合约,以及差分隐私级别选择策略的提出,能够平衡数据可用性和用户隐私保护需求,以最小的隐私消耗完成模型的训练。
如图2所示,本发明实施例提供了一种基于分布式GAN的隐私保护数据共享系统,该系统应用于实现基于分布式GAN的隐私保护数据共享方法,该系统包括中心服务器以及多个数据所有者,其中:
中心服务器,用于提供多个个性化合约;设计隐私保护等级选择策略。
多个数据所有者,用于从多个个性化合约中选择一个个性化合约;利用数据所有者的本地的私有数据集对数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型;根据隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,完成隐私保护数据共享。
可选地,多个个性化合约包括多个隐私保护等级以及与多个隐私保护等级对应的奖励。
可选地,多个数据所有者,进一步用于:
S31、每个数据所有者从中心服务器获取原始GAN模型。
S32、每个数据所有者利用数据所有者的本地私有数据集对原始GAN模型进行预训练,得到预训练后的本地GAN模型。
可选地,本地GAN模型包括本地生成器以及本地鉴别器。
多个数据所有者,进一步用于:
每个数据所有者将预训练后的本地生成器隐藏。
可选地,多个数据所有者,进一步用于:
S51、中心服务器根据隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ。
S52、中心服务器根据隐私保护等级ρ以及每个数据所有者选择的个性化合约,得到多个数据所有者中隐私保护等级为ρ的多个数据所有者。
S53、中心服务器从隐私保护等级为ρ的多个数据所有者中随机选择一个数据所有者,作为协助训练的数据所有者。
S54、协助训练的数据所有者根据协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,优化后转去执行S51进行迭代训练,直到迭代次数达到预设阈值停止迭代,中心生成器模型训练完成。
可选地,中心服务器,进一步用于:
S511、中心服务器根据中心生成器模型训练过程的迭代次数确定噪声规模的衰减函数。
S512、中心服务器根据衰减函数确定噪声规模。
S513、中心服务器根据噪声规模确定协助本轮训练的数据所有者的隐私保护等级ρ。
可选地,多个数据所有者,进一步用于:
S541、协助训练的数据所有者从中心服务器获取中心生成器模型生成的数据。
S542、协助训练的数据所有者根据中心生成器模型生成的数据以及协助训练的数据所有者的私有数据集,对预训练后的本地GAN模型中的本地鉴别器进行更新。
S543、协助训练的数据所有者根据更新后的本地鉴别器计算梯度。
S544、协助训练的数据所有者基于个性化差分隐私理论扰动梯度,得到扰动后的梯度。
S545、中心服务器根据扰动后的梯度对中心服务器的中心生成器模型进行优化。
可选地,多个数据所有者,进一步用于:
基于高斯机制以及扰动程度对梯度进行扰动;其中,扰动程度由个性化合约的隐私保护等级决定。
本发明实施例中,针对物联网数据共享中的隐私问题,提出了一种基于异步分布式GAN的隐私保护数据共享方案。结合差分隐私理论和分布式GAN,使用每个数据所有者本地的数据集以个性化的隐私保护方式训练一个中心生成模型。所提出的分布式GAN训练框架,能够在不传输原始数据的前提下,利用数据所有者的本地数据集协同训练中心生成模型以实现数据共享,然后利用中心生成模型为下游任务重建数据集。结合差分隐私理论提出梯度“脱敏”策略,在保护用户隐私的前提下最大程度保留梯度的可用性,在差分隐私的保障下实现模型的优化。为拥有不同隐私偏向的数据所有者设计多等级的隐私保护合约,以及差分隐私级别选择策略的提出,能够平衡数据可用性和用户隐私保护需求,以最小的隐私消耗完成模型的训练。
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步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,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)
1.一种基于分布式GAN的隐私保护数据共享方法,其特征在于,所述方法由基于分布式GAN的隐私保护数据共享系统实现,所述系统包括中心服务器以及多个数据所有者;
所述方法包括:
S1、所述中心服务器提供多个个性化合约;
S2、所述多个数据所有者中的每个数据所有者从所述多个个性化合约中选择一个个性化合约;
S3、所述每个数据所有者利用所述数据所有者的本地私有数据集对所述数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型;
S4、所述中心服务器设计隐私保护等级选择策略;
S5、所述多个数据所有者根据所述隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,完成隐私保护数据共享。
2.根据权利要求1所述的方法,其特征在于,所述S1中的多个个性化合约包括多个隐私保护等级以及与多个隐私保护等级对应的奖励。
3.根据权利要求1所述的方法,其特征在于,所述S3中的所述每个数据所有者利用所述数据所有者的本地私有数据集对所述数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型包括:
S31、所述每个数据所有者从所述中心服务器获取原始GAN模型;
S32、所述每个数据所有者利用所述数据所有者的本地私有数据集对所述原始GAN模型进行预训练,得到预训练后的本地GAN模型。
4.根据权利要求3所述的方法,其特征在于,所述本地GAN模型包括本地生成器以及本地鉴别器;
所述S32中的得到预训练后的本地GAN模型后还包括:
所述每个数据所有者将预训练后的本地生成器隐藏。
5.根据权利要求1所述的方法,其特征在于,所述S5中的所述多个数据所有者根据所述隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化包括:
S51、所述中心服务器根据所述隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ;
S52、所述中心服务器根据所述隐私保护等级ρ以及每个数据所有者选择的个性化合约,得到多个数据所有者中隐私保护等级为ρ的多个数据所有者;
S53、所述中心服务器从所述隐私保护等级为ρ的多个数据所有者中随机选择一个数据所有者,作为协助训练的数据所有者;
S54、所述协助训练的数据所有者根据所述协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,优化后转去执行S51进行迭代训练,直到迭代次数达到预设阈值停止迭代,所述中心生成器模型训练完成。
6.根据权利要求5所述的方法,其特征在于,所述S51中的所述中心服务器根据所述隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ包括:
S511、所述中心服务器根据中心生成器模型训练过程的迭代次数确定噪声规模的衰减函数;
S512、所述中心服务器根据所述衰减函数确定噪声规模;
S513、所述中心服务器根据所述噪声规模确定协助本轮训练的数据所有者的隐私保护等级ρ。
7.根据权利要求5所述的方法,其特征在于,所述S54中的所述协助训练的数据所有者根据所述协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化包括:
S541、所述协助训练的数据所有者从所述中心服务器获取中心生成器模型生成的数据;
S542、所述协助训练的数据所有者根据所述中心生成器模型生成的数据以及协助训练的数据所有者的私有数据集,对预训练后的本地GAN模型中的本地鉴别器进行更新;
S543、所述协助训练的数据所有者根据更新后的本地鉴别器计算梯度;
S544、所述协助训练的数据所有者基于个性化差分隐私理论扰动所述梯度,得到扰动后的梯度;
S545、所述中心服务器根据所述扰动后的梯度对中心服务器的中心生成器模型进行优化。
8.根据权利要求7所述的方法,其特征在于,所述S544中的基于个性化差分隐私理论扰动所述梯度包括:
基于高斯机制以及扰动程度对所述梯度进行扰动;其中,所述扰动程度由个性化合约的隐私保护等级决定。
9.一种基于分布式GAN的隐私保护数据共享系统,其特征在于,所述系统用于实现基于分布式GAN的隐私保护数据共享方法,所述系统包括中心服务器以及多个数据所有者,其中:
所述中心服务器,用于提供多个个性化合约;设计隐私保护等级选择策略;
所述多个数据所有者,用于从所述多个个性化合约中选择一个个性化合约;利用所述数据所有者的本地私有数据集对所述数据所有者的本地生成对抗网络GAN模型进行预训练,得到预训练后的本地GAN模型;根据所述隐私保护等级选择策略、每个数据所有者选择的个性化合约以及预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,完成隐私保护数据共享。
10.根据权利要求9所述的系统,其特征在于,所述多个数据所有者,进一步用于:
S51、所述中心服务器根据所述隐私保护等级选择策略,确定协助本轮训练的数据所有者的隐私保护等级ρ;
S52、所述中心服务器根据所述隐私保护等级ρ以及每个数据所有者选择的个性化合约,得到多个数据所有者中隐私保护等级为ρ的多个数据所有者;
S53、所述中心服务器从所述隐私保护等级为ρ的多个数据所有者中随机选择一个数据所有者,作为协助训练的数据所有者;
S54、所述协助训练的数据所有者根据所述协助训练的数据所有者的预训练后的本地GAN模型,对中心服务器的中心生成器模型进行优化,优化后转去执行S51进行迭代训练,直到迭代次数达到预设阈值停止迭代,所述中心生成器模型训练完成。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036310.XA CN115442099B (zh) | 2022-08-28 | 2022-08-28 | 一种基于分布式gan的隐私保护数据共享方法及系统 |
PCT/CN2023/083568 WO2024045581A1 (zh) | 2022-08-28 | 2023-03-24 | 一种基于分布式gan的隐私保护数据共享方法及系统 |
LU504296A LU504296B1 (en) | 2022-08-28 | 2023-03-24 | Privacy protection data sharing method and system based on distributed gan |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036310.XA CN115442099B (zh) | 2022-08-28 | 2022-08-28 | 一种基于分布式gan的隐私保护数据共享方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115442099A true CN115442099A (zh) | 2022-12-06 |
CN115442099B CN115442099B (zh) | 2023-06-06 |
Family
ID=84244624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036310.XA Active CN115442099B (zh) | 2022-08-28 | 2022-08-28 | 一种基于分布式gan的隐私保护数据共享方法及系统 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN115442099B (zh) |
LU (1) | LU504296B1 (zh) |
WO (1) | WO2024045581A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117278305A (zh) * | 2023-10-13 | 2023-12-22 | 北方工业大学 | 一种面向数据共享的分布式gan攻击和防御方法及系统 |
WO2024045581A1 (zh) * | 2022-08-28 | 2024-03-07 | 北方工业大学 | 一种基于分布式gan的隐私保护数据共享方法及系统 |
CN117278305B (zh) * | 2023-10-13 | 2024-06-11 | 深圳市互联时空科技有限公司 | 一种面向数据共享的分布式gan攻击和防御方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852627A (zh) * | 2024-03-05 | 2024-04-09 | 湘江实验室 | 一种预训练模型微调方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10395180B2 (en) * | 2015-03-24 | 2019-08-27 | International Business Machines Corporation | Privacy and modeling preserved data sharing |
CN107704930B (zh) * | 2017-09-25 | 2021-02-26 | 创新先进技术有限公司 | 基于共享数据的建模方法、装置、系统及电子设备 |
CN110348241B (zh) * | 2019-07-12 | 2021-08-03 | 之江实验室 | 一种数据共享策略下的多中心协同预后预测系统 |
CN113255004A (zh) * | 2021-06-16 | 2021-08-13 | 大连理工大学 | 一种安全且高效的联邦学习内容缓存方法 |
CN114841364A (zh) * | 2022-04-14 | 2022-08-02 | 北京理工大学 | 一种满足个性化本地差分隐私需求的联邦学习方法 |
CN115442099B (zh) * | 2022-08-28 | 2023-06-06 | 北方工业大学 | 一种基于分布式gan的隐私保护数据共享方法及系统 |
-
2022
- 2022-08-28 CN CN202211036310.XA patent/CN115442099B/zh active Active
-
2023
- 2023-03-24 WO PCT/CN2023/083568 patent/WO2024045581A1/zh unknown
- 2023-03-24 LU LU504296A patent/LU504296B1/en active IP Right Grant
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045581A1 (zh) * | 2022-08-28 | 2024-03-07 | 北方工业大学 | 一种基于分布式gan的隐私保护数据共享方法及系统 |
CN117278305A (zh) * | 2023-10-13 | 2023-12-22 | 北方工业大学 | 一种面向数据共享的分布式gan攻击和防御方法及系统 |
CN117278305B (zh) * | 2023-10-13 | 2024-06-11 | 深圳市互联时空科技有限公司 | 一种面向数据共享的分布式gan攻击和防御方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
LU504296B1 (en) | 2024-03-08 |
CN115442099B (zh) | 2023-06-06 |
WO2024045581A1 (zh) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | An adaptive federated learning scheme with differential privacy preserving | |
Chai et al. | A hierarchical blockchain-enabled federated learning algorithm for knowledge sharing in internet of vehicles | |
CN115442099A (zh) | 一种基于分布式gan的隐私保护数据共享方法及系统 | |
Kim | Incentive design and differential privacy based federated learning: A mechanism design perspective | |
CN111737743A (zh) | 一种深度学习差分隐私保护方法 | |
CN111681154B (zh) | 一种基于生成对抗网络的彩色图像隐写失真函数设计方法 | |
CN110533419B (zh) | 基于区块链的风控模型的共享方法、装置及服务器 | |
CN112668877B (zh) | 结合联邦学习和强化学习的事物资源信息分配方法及系统 | |
Yang et al. | Hierarchical fuzzy rough approximations with three-way multigranularity learning | |
Ilias et al. | Machine learning for all: A more robust federated learning framework | |
Cheng et al. | Dynamic games for social model training service market via federated learning approach | |
Navia-Vázquez et al. | Budget distributed support vector machine for non-id federated learning scenarios | |
Chen et al. | Privacy-preserving hierarchical federated recommendation systems | |
Yin et al. | A game-theoretic approach for federated learning: a trade-off among privacy, accuracy and energy | |
CN116432039B (zh) | 协同训练方法及装置、业务预测方法及装置 | |
CN117390664A (zh) | 面向联邦学习的博弈驱动隐私自适应定价方法和装置 | |
Luo et al. | Privacy-preserving clustering federated learning for non-IID data | |
CN117094773A (zh) | 基于区块链隐私计算的在线迁移学习方法及系统 | |
Yuan et al. | Retracted: Multi‐vehicle group‐aware data protection model based on differential privacy for autonomous sensor networks | |
CN116471072A (zh) | 一种基于邻居协作的联邦服务质量预测方法 | |
CN116011540A (zh) | 一种基于社交分组的联邦学习方法和装置 | |
Abbass et al. | Computational scenario-based capability planning | |
CN116228906A (zh) | 一种基于差分隐私的生成对抗网络图像生成系统 | |
Hussien et al. | An improved Henry gas optimization algorithm for joint mining decision and resource allocation in a MEC-enabled blockchain networks | |
CN113761070A (zh) | 区块链情报数据共享激励方法、系统、设备和介质 |
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 |