CN115952532A - 一种基于联盟链联邦学习的隐私保护方法 - Google Patents
一种基于联盟链联邦学习的隐私保护方法 Download PDFInfo
- Publication number
- CN115952532A CN115952532A CN202211319825.0A CN202211319825A CN115952532A CN 115952532 A CN115952532 A CN 115952532A CN 202211319825 A CN202211319825 A CN 202211319825A CN 115952532 A CN115952532 A CN 115952532A
- Authority
- CN
- China
- Prior art keywords
- privacy
- model
- local
- data
- client
- 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 34
- 238000012549 training Methods 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 230000003211 malignant effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 18
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于联盟链联邦学习的隐私保护方法，属于联邦学习隐私保护技术领域。本发明通过自适应差分隐私技术，根据数据特征与模型的相关性添加满足差分隐私的自适应拉普拉斯噪声，在保护数据隐私的情况下尽量降低模型准确率降低。通过联盟链技术，进一步实现了分布式的联邦学习隐私保护方案来解决单点故障问题。本方法具有较好的隐私保护和训练模型准确率的性能。本方法采用自适应差分隐私技术，在局部模型训练的过程中添加满足差分隐私的自适应噪声，在保障客户端数据隐私的情况下保障了模型训练的准确性，解决了传统联邦学习隐私保护方案面临的中心化问题，增强了系统的隐私保护性能。
Description
技术领域
本发明涉及一种基于联盟链联邦学习的隐私保护方法，属于联邦学习隐私保护技术领域。
背景技术
随着人类社会数字化进程越来越快以及互联网的飞速发展，产生了大量信息数据。通过机器学习技术，可以自动化地挖掘数据中蕴藏的宝藏，经过大量数据训练出来的机器学习模型已经应用在各类实际场景中，正在深刻改变着我们的世界，例如精准医疗、临床辅助诊断、新药研发、人像识别、声纹识别、图片语音、自然语言等多模态学习。在应用中，模型的精度、泛化能力等至关重要，这些都赖于机器对大量数据的学习。尤其是在信息隐私保护领域，受限于法律法规、政策监管、商业机密、个人隐私等数据隐私安全上的约束，多个数据来源方无法直接交换数据，形成“数据孤岛”现象，制约着人工智能模型能力的进一步提高。联邦学习的诞生即是为了解决这一问题。
联邦学习(Federated Learning)是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡。
传统的联邦学习在保障大数据交换的信息安全、保护用户数据和个人数据隐私，保证合法合规的前提下，在多参与方或多节点开展高效的机器学习。然而，针对目前支持隐私计算的联邦学习隐私保护方案仍存在模型参数泄露从而导致的隐私泄露问题。
目前，传统的联邦学习隐私保护的方案，主要包括匿名化技术、安全多方计算等密码学技术和差分隐私技术。匿名化技术主要作用于训练前的原始数据集，在联邦学习中具有一定的局限性；虽然密码学技术安全性很高，但是由于庞大的计算开销和复杂度，尚未满足实践部署的需求；相比于匿名化技术和密码学技术，差分隐私技术在实际部署中具有更好的适用性。然而，基于差分隐私的联邦学习隐私保护技术目前仍然存在两个主要关键问题。首先，在本地模型训练过程中由于未考虑数据相关性，造成数据隐私与模型准确率之间的强对立问题有待解决；其次，在传统的联邦学习中，一旦中心服务器受到攻击，会引起单点故障问题从而破坏整个联邦学习的系统。
在数据信息隐私保护中，为了解决的现有联邦学习隐私保护方案存在中心服务器而导致的单点故障问题和数据隐私泄露和模型准确率之间的强对立问题，必须寻找一种支持隐私计算的安全且高准确率的联邦学习数据隐私保护方案。
发明内容
本发明的目的在于针对现有支持隐私计算的联邦学习隐私保护方案存在的数据隐私泄露和单点故障等技术缺陷，采用自适应差分隐私技术和联盟链技术，创造性的提出一种支持隐私计算的基于联盟链联邦学习的数据信息隐私保护方案，解决隐私计算过程中数据隐私泄露和单点故障问题。
本发明的创新点在于：本发明通过自适应差分隐私技术，根据数据特征与模型的相关性添加满足差分隐私的自适应拉普拉斯噪声，在保护数据隐私的情况下尽量降低模型准确率降低。通过联盟链技术，进一步实现了分布式的联邦学习隐私保护方案来解决单点故障问题。
为了达到上述目的，本发明采取如下技术方案。
首先，对相关定义进行说明：
定义1：联盟链网络，是指用于联邦学习客户端运行的基础设施网络，包括提供数据的客户端节点、智能合约和激励机制，通过共识算法达成的分布式存储的网络系统。
定义2：智能合约，是指联盟链中承担部署智能合约业务的账户节点，同时进行联邦学习全局模型的全同步。
定义3：共识节点，是指负责收集本地客户端训练模型参数的节点，对全局模型参数进行验证并将打包生成区块。
定义4：记账节点，是指负责检验共识节点生成的区块，并存储区块的节点。
定义5：客户端，是指存储数据参与联邦学习模型训练的用户。
定义6：任务发布者，是指联邦学习全局模型训练的需求者。
定义7：激励机制，是指联盟链根据客户端训练的模型参数来提供奖励和惩罚机制。
一种基于联盟链联邦学习的隐私保护方法，包括以下步骤：
步骤1：系统初始化，包括联邦学习初始全局模型上传、客户端注册。
具体地，步骤1可以采用以下方案：
步骤1.1：任务发布者向联盟链中发布初始全局模型。
步骤1.2：拥有数据的客户端将信息注册到联盟链中。
步骤1.3：选择一组具有强大计算和通信能力的客户端作为候选共识节点。
步骤2：选择联盟链中的领导节点。
领导节点作为共识节点工作的代表，在DBFT(Delegated Byzantine FaultTolerance，委托拜占庭容错共识算法)中生成和验证块数据。从代表中，随机选择一名委托共识节点(即一名代表)作为当前共识轮的领导共识节点，其余代表在共识过程中充当追随者。
步骤3：训练基于自适应差分隐私的联邦学习本地模型。
具体地，步骤3可以采用以下方案：
步骤3.1：本地客户端从联盟链下载初始全局训练模型。
步骤3.2：本地客户端采用层级相关传播算法，计算数据集与全局训练模型的相关性R。
步骤3.3：本地客户端使用相关性R和分层差分隐私神经网络，进行模型训练，得到局部最优训练模型参数W。
步骤3.4：本地客户端将局部最优训练模型参数W上传到联盟链的代表节点。
步骤4：更新验证联盟链中的全局模型。
具体地，步骤4可以采用以下方案：
步骤4.1：代表节点通过基于测试数据集，估计局部最优训练模型W的质量，由此验证本地客户端的合法性。
如果本地客户端不合法，则将该本地客户端的局部最优训练模型参数删除。如果本地客户端是合法的，则保留该本地客户端的局部最优训练模型参数。
步骤4.2：经过时间T之后，领导共识节点收集的所有局部最优训练模型，聚合得到全局训练模型，并生成一个具有全局训练模型和数字签名的新块。
步骤4.3：领导共识节点将新块广播给其他作为追随者的共识节点。
步骤5：追随者接收具有数字签名的新块，并验证候选区块验证。
具体地，步骤5包含以下步骤：
步骤5.1：追随者共识节点为块数据生成验证结果。
步骤5.2：追随者共识节点将验证结果及其数字签名发送给其他的追随者共识节点。
步骤5.3：每个追随者将它自己的验证结果与从其他追随者收到的结果进行比较，并向领导共识节点发送一条确认来表明其的验证结果。
步骤5.4：领导共识节点收到来自不同追随者共识节点的验证结果，领导共识节点验证信息，并检查是否超过2/3的追随者对区块数据得出了相同的结论。如果超过2/3的追随者得到了相同的结论，则区块数据将被记录到联盟区块链中；否则区块数据被舍弃。
步骤6：联邦学习的全局模型训练。
具体地，步骤6包括以下步骤：
步骤6.1：在联邦学习中，所有的客户端参与者从联盟链下载新的区块块数据。
步骤6.2：客户端节点计算所有合格的本地模型更新的加权平均值，作为他们新的全局模型。
步骤6.3：客户端参与者利用新的全局模型作为初始化模型，进行下一次迭代的全局模型训练。
步骤7：当全局模型训练完成后，将记录持续提交合格的本地模型更新的客户端，并给予奖励。如果发现有作恶的客户端，将给予惩罚。
经过步骤1至步骤7，实现对数据信息的隐私保护。
有益效果
本发明方法，与现有技术相比，具有如下优点：
1.本方法具有较好的隐私保护和训练模型准确率的性能。本方法采用自适应差分隐私技术，在局部模型训练的过程中添加满足差分隐私的自适应噪声。在保障客户端数据隐私的情况下保障了模型训练的准确性。
2.本发明提出了基于联盟链的联邦学习聚合方法，解决了传统联邦学习隐私保护方案面临的中心化问题，增强了系统的隐私保护性能。
附图说明
图1为本发明方法的示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行清楚、完整地描述。
实施例
如图1所示，一种支持隐私计算的基于联盟链联邦学习的隐私保护方法。
步骤1：系统初始化，包括联邦学习初始全局模型上传和客户端注册。
具体地，步骤1包含以下步骤：
步骤1.1：任务发布者向联盟链系统中发布初始全局模型。
步骤1.2：拥有数据的客户端将信息注册到联盟链系统中。
步骤1.3：选择一组具有强大计算和通信能力的客户端作为候选共识节点。
步骤2：联盟链中领导节点的选择。领导节点作为共识节点工作的代表在DBFT中生成和验证块数据。从代表中随机选择一名委托共识节点(即一名代表)作为当前共识轮的领导共识节点，其余的代表在共识过程中充当追随者。
步骤3：基于自适应差分隐私的联邦学习本地模型训练。
具体地，步骤3包含以下步骤：
步骤3.1：本地客户端从联盟链上下载初始全局训练模型。
步骤3.2：本地客户端根据本地的数据集计算和层级相关传播算法，计算数据集与模型训练的相关性R。
步骤3.3：本地客户端使用相关性R和分层差分隐私神经网络进行模型训练，得到局部最优训练模型参数W。
具体地，步骤3.3包含以下步骤：
步骤3.3.1：设当前有n个客户端参与第t轮模型训练的迭代学习的过程，1≤n≤N′，N′表示参与联邦学习的客户端的总数量；
其中，客户端i在本地训练得到模型参数为wi(t)，服务器得到的模型训练参数为：
αi表示客户端i参与第t轮模型训练的参与率。为了简化表示，令α1＝α2＝...＝αn＝α。
步骤3.3.2：深度学习神经元h∈h0的仿射变换表示为：
xi表示数据集D中的数据元素，W表示神经元h的输入参数，b表示基向量。
步骤3.3.3：根据数据元素xi对模型训练的相关性，在仿射变换
中添加自适应的高斯噪声。本方法中，计算第j个数据特征的隐私预算比率αj和隐私预算εj，它们之间的关系表示为：
εj＝αj×ε2，其中，d表示数据集的特征总数，
表示第j个数据特征与全局模型的相关性，ε2表示添加的本地差分隐私的隐私预算。
步骤3.3.4：根据隐私预算比率αj和隐私预算εj，在原始数据元素xi和基向量b添加自适应的高斯噪声，得到具有隐私安全的仿射变换
表示高斯噪声，
表示在数据元素xi添加满足高斯分布的噪音。
其中，
δ2∈(0,1)；N表示高斯分布函数，σ2表示高斯分布的标准差，c2表示高斯分布标准差与隐私预算之间的关系系数，εj表示自适应差分隐私的隐私预算，ε2表示添加的本地差分隐私的隐私预算，δ2表示高斯分布的标准差，σ2j表示第j个客户端进行联邦学习时添加高斯分布噪声的标准差。
根据所有输入数据的特征值xij，设置Δh为相邻数据集之间的敏感度。最终得到具有隐私保护的局部模型训练参数
步骤3.4：本地客户端将局部最优训练模型参数W上传到联盟链的代表节点。
步骤4：联盟链中的全局模型更新验证。
具体地，步骤4包含以下步骤：
步骤4.1：代表节点通过基于测试数据集估计局部最优训练模型W的质量来验证本地客户端的合法性。如果本地客户端不合法，则将该本地客户端的局部最优训练模型参数删除。如果本地客户端是合法的，则保留该本地客户端的局部最优训练模型参数。
步骤4.2：经过时间T之后，领导共识节点收集的所有局部最优训练模型聚合得到全局训练模型，并生成一个具有全局训练模型和数字签名的新块。
步骤4.3：领导共识节点将新块广播给其他作为追随者的共识节点。
步骤5：追随者接收具有数字签名的新块并验证候选区块验证。
具体地，步骤5包含以下步骤：
步骤5.1：追随者共识节点为块数据生成验证结果。
步骤5.2：追随者共识节点将验证结果及其数字签名发送给其他的追随者共识节点。
步骤5.3：每个追随者将它自己的验证结果与从其他追随者收到的结果进行比较，并向领导共识节点发送一条确认来表明其的验证结果。
步骤5.4：领导共识节点收到来自不同追随者共识节点的验证结果，领导共识节点验证信息，并检查是否超过2/3的追随者对区块数据得出了相同的结论。如果超过2/3的追随者得到了相同的结论，区块数据将被记录到联盟区块链中；否则区块数据被舍弃。
步骤6：联邦学习的全局模型训练。
具体地，步骤6包括以下步骤：
步骤6.1：在联邦学习中，所有的客户端参与者从联盟区链下载新的区块块数据。
步骤6.2：客户端节点计算所有合格的本地模型更新的加权平均值作为他们新的全局模型。
步骤6.3：客户端参与者利用新的全局模型作为初始化模型，进行下一次迭代的全局模型训练。
步骤7：当全局模型训练完成后，将记录持续提交合格的本地模型更新的客户端，并给予奖励。如果发现有作恶的客户端，将给予惩罚。
所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
Claims (7)
1.一种基于联盟链联邦学习的隐私保护方法，其特征在于，包括以下步骤：
步骤1：系统初始化，包括联邦学习初始全局模型上传、客户端注册；
步骤2：选择联盟链中的领导节点；
其中，领导节点作为共识节点工作的代表，在DBFT中生成和验证块数据；从代表中随机选择一名委托共识节点作为当前共识轮的领导共识节点，其余代表在共识过程中充当追随者；
步骤3：训练基于自适应差分隐私的联邦学习本地模型；
步骤4：更新验证联盟链中的全局模型；
步骤5：追随者接收具有数字签名的新块，并验证候选区块验证；
步骤6：联邦学习的全局模型训练；
步骤7：当全局模型训练完成后，将记录持续提交合格的本地模型更新的客户端，并给予奖励，如果发现有作恶的客户端，将给予惩罚。
2.如权利要求1所述的一种基于联盟链联邦学习的隐私保护方法，其特征在于，步骤1包括以下步骤：
步骤1.1：任务发布者向联盟链中发布初始全局模型；
步骤1.2：拥有数据的客户端将信息注册到联盟链中；
步骤1.3：选择一组具有强大计算和通信能力的客户端作为候选共识节点。
3.如权利要求1所述的一种基于联盟链联邦学习的隐私保护方法，其特征在于，步骤3包括以下步骤：
步骤3.1：本地客户端从联盟链下载初始全局训练模型；
步骤3.2：本地客户端采用层级相关传播算法，计算数据集与全局训练模型的相关性R；
步骤3.3：本地客户端使用相关性R和分层差分隐私神经网络，进行模型训练，得到局部最优训练模型参数W；
步骤3.4：本地客户端将局部最优训练模型参数W上传到联盟链的代表节点。
4.如权利要求3所述的一种基于联盟链联邦学习的隐私保护方法，其特征在于，步骤3.3包含以下步骤：
步骤3.3.1：设当前有n个客户端参与第t轮模型训练的迭代学习的过程，1≤n≤N′，N′表示参与联邦学习的客户端的总数量；其中，客户端i在本地训练得到模型参数为wi(t)，服务器得到的模型训练参数为：
αi表示客户端i参与第t轮模型训练的参与率，简化表示为α1＝α2＝...＝αn＝α；
步骤3.3.2：深度学习神经元h∈h0的仿射变换表示为：
xi表示数据集D中的数据元素，W表示神经元h的输入参数，b表示基向量；
步骤3.3.3：根据数据元素xi对模型训练的相关性，在仿射变换
中添加自适应的高斯噪声；
计算第j个数据特征的隐私预算比率αj和隐私预算εj，它们之间的关系表示为：
εj＝αj×ε2，其中，d表示数据集的特征总数，
表示第j个数据特征与全局模型的相关性，ε2表示添加的本地差分隐私的隐私预算；
步骤3.3.4：根据隐私预算比率αj和隐私预算εj，在原始数据元素xi和基向量b添加自适应的高斯噪声，得到具有隐私安全的仿射变换
表示高斯噪声，
表示在数据元素xi添加满足高斯分布的噪音；
其中，
δ2∈(0,1)；N表示高斯分布函数，σ2表示高斯分布的标准差，c2表示高斯分布标准差与隐私预算之间的关系系数，εj表示自适应差分隐私的隐私预算，ε2表示添加的本地差分隐私的隐私预算，δ2表示高斯分布的标准差，σ2j表示第j个客户端进行联邦学习时添加高斯分布噪声的标准差；
根据所有输入数据的特征值xij，设置Δh为相邻数据集之间的敏感度，最终得到具有隐私保护的局部模型训练参数
5.如权利要求1所述的一种基于联盟链联邦学习的隐私保护方法，其特征在于，步骤4包括以下步骤：
步骤4.1：代表节点通过基于测试数据集，估计局部最优训练模型W的质量，由此验证本地客户端的合法性；
如果本地客户端不合法，则将该本地客户端的局部最优训练模型参数删除；如果本地客户端是合法的，则保留该本地客户端的局部最优训练模型参数；
步骤4.2：经过时间T之后，领导共识节点收集的所有局部最优训练模型，聚合得到全局训练模型，并生成一个具有全局训练模型和数字签名的新块；
步骤4.3：领导共识节点将新块广播给其他作为追随者的共识节点。
6.如权利要求1所述的一种基于联盟链联邦学习的隐私保护方法，其特征在于，步骤5包括以下步骤：
步骤5.1：追随者共识节点为块数据生成验证结果；
步骤5.2：追随者共识节点将验证结果及其数字签名发送给其他的追随者共识节点；
步骤5.3：每个追随者将它自己的验证结果与从其他追随者收到的结果进行比较，并向领导共识节点发送一条确认来表明其的验证结果；
步骤5.4：领导共识节点收到来自不同追随者共识节点的验证结果，领导共识节点验证信息，并检查是否超过2/3的追随者对区块数据得出了相同的结论，如果超过2/3的追随者得到了相同的结论，区块数据将被记录到联盟区块链中，否则区块数据被舍弃。
7.如权利要求1所述的一种基于联盟链联邦学习的隐私保护方法，其特征在于，步骤6包括以下步骤：
步骤6.1：在联邦学习中，所有的客户端参与者从联盟区链下载新的区块块数据；
步骤6.2：客户端节点计算所有合格的本地模型更新的加权平均值作为他们新的全局模型；
步骤6.3：客户端参与者利用新的全局模型作为初始化模型，进行下一次迭代的全局模型训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211319825.0A CN115952532A (zh) | 2022-10-26 | 2022-10-26 | 一种基于联盟链联邦学习的隐私保护方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211319825.0A CN115952532A (zh) | 2022-10-26 | 2022-10-26 | 一种基于联盟链联邦学习的隐私保护方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115952532A true CN115952532A (zh) | 2023-04-11 |
Family
ID=87288071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211319825.0A Pending CN115952532A (zh) | 2022-10-26 | 2022-10-26 | 一种基于联盟链联邦学习的隐私保护方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115952532A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116186629A (zh) * | 2023-04-27 | 2023-05-30 | 浙江大学 | 基于个性化联邦学习的金融客户分类及预测方法、装置 |
| CN116595574A (zh) * | 2023-04-14 | 2023-08-15 | 京信数据科技有限公司 | 一种对隐私计算模型安全发布及引用的装置及方法 |
| CN117954082A (zh) * | 2024-03-26 | 2024-04-30 | 中国人民解放军总医院 | 基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统 |
-
2022
- 2022-10-26 CN CN202211319825.0A patent/CN115952532A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116595574A (zh) * | 2023-04-14 | 2023-08-15 | 京信数据科技有限公司 | 一种对隐私计算模型安全发布及引用的装置及方法 |
| CN116186629A (zh) * | 2023-04-27 | 2023-05-30 | 浙江大学 | 基于个性化联邦学习的金融客户分类及预测方法、装置 |
| CN117954082A (zh) * | 2024-03-26 | 2024-04-30 | 中国人民解放军总医院 | 基于联邦大模型的复杂疾病间共病临床辅助决策方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110460600B (zh) | 可抵御生成对抗网络攻击的联合深度学习方法 | |
| Chai et al. | A hierarchical blockchain-enabled federated learning algorithm for knowledge sharing in internet of vehicles | |
| de Araujo-Filho et al. | Intrusion detection for cyber–physical systems using generative adversarial networks in fog environment | |
| CN112348204B (zh) | 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 | |
| CN115952532A (zh) | 一种基于联盟链联邦学习的隐私保护方法 | |
| CN112434280B (zh) | 一种基于区块链的联邦学习防御方法 | |
| CN113794675A (zh) | 基于区块链和联邦学习的分布式物联网入侵检测方法及系统 | |
| CN115102763B (zh) | 基于可信联邦学习多域DDoS攻击检测方法与装置 | |
| CN115499129B (zh) | 一种多模信任跨链共识方法、系统、介质、设备及终端 | |
| CN114362987B (zh) | 一种基于区块链和智能合约的分布式投票系统及方法 | |
| 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 | |
| Wazzeh et al. | Privacy-preserving continuous authentication for mobile and iot systems using warmup-based federated learning | |
| CN114861211B (zh) | 一种面向元宇宙场景的数据隐私保护方法、系统、存储介质 | |
| CN113298267B (zh) | 一种基于节点嵌入差异检测的垂直联邦模型防御方法 | |
| CN114462090A (zh) | 一种针对联邦学习中差分隐私预算计算的收紧方法 | |
| CN114491615A (zh) | 基于区块链的异步纵向联邦学习公平激励机制方法 | |
| CN114091953A (zh) | 一种基于异构区块链的可信评价方法及系统 | |
| CN116777294A (zh) | 区块链协助下基于联邦学习的众包质量安全评估方法 | |
| CN112101577A (zh) | 基于XGBoost的跨样本联邦学习、测试方法、系统、设备和介质 | |
| CN115310625A (zh) | 一种纵向联邦学习推理攻击防御方法 | |
| CN118211268A (zh) | 基于扩散模型的异构联邦学习隐私保护方法及系统 | |
| Mao et al. | A novel user membership leakage attack in collaborative deep learning | |
| CN110166415A (zh) | 基于匿名网络和机器学习的信誉数据处理方法 | |
| Zhang et al. | Multiaccess edge integrated networking for Internet of Vehicles: A blockchain-based deep compressed cooperative learning approach | |
| Zhao et al. | AFL: An adaptively federated multitask learning for model sharing in industrial IoT |
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 |