内容提供者
基于隐私保护的神经网络模型训练方法、装置及系统.pdf
2023-05-25
10金币
1.5MB
26页
慧娇****文章
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共26页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
基于隐私保护的神经网络模型训练方法、装置及系统.pdf
本说明书实施例提供基于隐私保护的神经网络模型训练方法、装置及系统。每个第一成员设备具有本地数据并且部署至少一个客户端模型，第二成员设备部署至少一个服务端模型，至少一个客户端模型和至少一个服务端模型按照模型间隔方式组成神经网络模型。在每次循环时，各个第一成员设备和第二成员设备使用第一成员设备的本地数据执行模型预测计算。对于每个客户端模型，各个第一成员设备使用本地数据或者在前服务端模型的模型计算结果进行多方安全计算。对于每个服务端模型，第二成员设备使用在前客户端模型的模型计算结果执行本地计算。基于模型预测值确
2023-05-25
10
1.5MB
基于隐私保护的神经网络模型训练方法、装置及系统.pdf
本说明书实施例提供基于隐私保护的神经网络模型训练方法、装置及系统。第一和第二成员设备分别具有第一和第二特征数据，第一和第二特征数据按照垂直切分方式组成神经网络模型的训练数据样本的特征数据，第一或第二成员设备具有标签数据。第一成员设备接收第二成员设备所具有的数据，并与第二成员设备共同初始化神经网络模型。在执行模型训练时，第一成员设备从第一训练数据样本集中随机抽取出训练数据样本；对训练数据样本的第二特征数据进行份额分解处理得到第三和第四特征数据份额，并向第二成员设备发送第四特征数据份额和对应标签数据。第一和第
2023-05-25
10
812KB
基于隐私保护的模型训练方法及装置.pdf
本说明书实施例提供一种基于隐私保护的模型训练方法及装置，通过本说明书实施例提供的方法和装置，在安全计算过程中，利用高斯差分隐私和(ε，δ)差分隐私之间形成的对偶关系，以及在训练周期达到一定阈值的极限情况下高斯差分隐私空间中用于衡量累积隐私损失的参数μ与所添加的高斯噪声的方差σ
2023-05-25
10
841KB
基于隐私保护的模型联合训练方法及装置.pdf
本说明书实施例提供了一种基于隐私保护的模型联合训练方法及装置。在联合训练过程是在目标数量是在迭代的轮次大于或等于预设的目标迭代的轮次的条件下，开始基于目标数量对用于联合训练的梯度的数量进行调整，由服务器确定出在下一轮或几轮迭代中终端需向服务器发送的梯度的数量（即，目标数量），使得参与联合训练的终端不必在整个联合训练的过程中将得到的所有梯度都上传至服务器。
2023-05-25
10
1.4MB
保护隐私安全的神经网络模型的训练方法和装置.pdf
本说明书实施例提供一种保护隐私安全的神经网络模型的训练方法和装置，方法包括：获取初步训练的目标神经网络模型和训练数据集，所述目标神经网络模型包括多个中间层，所述训练数据集包括第一数量个成员样本；确定所述多个中间层中的决策重要层和决策无关层，所述决策重要层对决策结果的影响程度大于所述决策无关层对决策结果的影响程度；根据所述训练数据集中的各成员样本，对所述目标神经网络模型进行再次训练，所述再次训练固定所述目标神经网络模型的决策无关层的参数，使决策重要层的部分神经元以一定概率停止工作调整决策重要层的参数。能够防
2023-05-25
10
495KB