The invention belongs to the technical field of identification methods or devices using electronic devices, and discloses a verifiable privacy protection single-layer perceptron training method and pattern recognition system. With the help of the same set of training samples, multiple different training models can be trained simultaneously for different modes. In each iteration, a small number of samples are selected to replace a sample for iteration, and the sample vectors are expanded into matrix samples by using the stochastic gradient descent method to accelerate the convergence speed of iteration. The method uses random permutation function and sparse matrix blindness to realize user data privacy protection. For the first time, the verification mechanism is considered in the single-layer perceptron training scheme, and the cloud server returns an error calculation result, which can be checked out by 100% probability.
【技术实现步骤摘要】
可验证的隐私保护单层感知机批量训练方法
本专利技术属于应用电子设备进行识别的方法或装置
,尤其涉及一种可验证的隐私保护单层感知机批量训练方法。
技术介绍
目前,业内常用的现有技术是这样的:同比于2013年全球数据量0.9ZT,截至2020年数据量将达到15ZT。随着不同设备所产生的数据量逐步增加,机器学习方案得到愈来愈多的关注和应用。机器学习可以处理海量数据用于模型训练;最近,机器学习应用于诸多研究领域。例如:垃圾邮件分类、疾病诊断和风险评估等。机器学习包括两个阶段:训练阶段和预测阶段。给定一组训练样例和对应输出值,通过一系列迭代可以得到预测模型。在预测阶段,一些新的数据作为模型的输入,可以得到预测的分类结果或者一个特定的连续值。在众多机器学习方法中,神经网络由于其良好的性能在很多领域得到了大量的关注和应用。作为神经网络学习算法中最简单的一种,单层感知机(SLP)成功地应用于预测分类结果。由于本地的计算和存储资源受限,在机器学习训练模型中,训练的模型必须具有较高的精度,经过迭代更新后模型最终趋向于一个收敛值。在上述过程中,需要大量的计算和存储资源。然而,本地由于设备内存、处理速度等存储和计算资源的限制,难以在本地客户端完成复杂繁重的训练任务。基于云模型的机器学习范式成为一种新兴的研究方向。云计算实现了将计算作为一种资源的可能性。因此,用户可以以按需付费的方式将复杂繁重的计算任务外包给云服务器。虽然外包范式导致很多隐私问题。在多数情况下,用户的输入可能会包含很多敏感信息而云服务器通常为诚实且好奇的。因此,单层感知机训练过程中的隐私保护问题成为一种新挑战 ...
【技术保护点】
1.一种可验证的隐私保护单层感知机训练方法,其特征在于,所述可验证的隐私保护单层感知机训练方法每一轮迭代中选择一小批样例代替一个样例进行迭代,利用随机梯度下降法,将样例向量扩张成矩阵样例来加快迭代的收敛速度;在训练阶段,用户将繁重计算任务外包给云服务器,用户需要在上传输入矩阵前进行加密操作;利用随机置换函数和稀疏矩阵盲化,实现用户数据的隐私保护;在解密云服务器返回的计算结果后,用户随机选择一个向量,计算验证等式是否成立;相等,则计算结果将通过验证;训练算法满足迭代终止条件,将输出多个不同模式的训练模型;否则,将继续进行下一轮迭代。
【技术特征摘要】
1.一种可验证的隐私保护单层感知机训练方法,其特征在于,所述可验证的隐私保护单层感知机训练方法每一轮迭代中选择一小批样例代替一个样例进行迭代,利用随机梯度下降法,将样例向量扩张成矩阵样例来加快迭代的收敛速度;在训练阶段,用户将繁重计算任务外包给云服务器,用户需要在上传输入矩阵前进行加密操作;利用随机置换函数和稀疏矩阵盲化,实现用户数据的隐私保护;在解密云服务器返回的计算结果后,用户随机选择一个向量,计算验证等式是否成立;相等,则计算结果将通过验证;训练算法满足迭代终止条件,将输出多个不同模式的训练模型;否则,将继续进行下一轮迭代。2.如权利要求1所述的可验证的隐私保护单层感知机训练方法,其特征在于,所述可验证的隐私保护单层感知机训练方法包括:(1)同时训练s个模型,基于小批处理的思想在每一轮迭代中选择一小批样例代替一个样例进行迭代;利用随机梯度下降法,将样例向量x={x1,x2,...xn}扩张成矩阵样例X={xi,i}(1≤i≤n,1≤j≤m)加快迭代的收敛速度;同时得到s个模型W={wj,k}(1≤j≤m,1≤k≤s);(2)在训练阶段,用户将繁重计算任务外包给云服务器,用户需要在上传输入矩阵X和W前进行加密操作;利用随机置换函数和稀疏矩阵盲化,实现用户数据的隐私保护;(3)在解密云服务器返回的计算结果Y后,用户随机选择一个向量r={r1,r2,...rn},计算下列等式是否成立XWr=Yr;相等,则计算结果Y将通过验证;训练算法满足迭代终止条件,那么算法将输出针对于s个不同模式的s个模型;否则,算法将继续进行下一轮迭代。3.如权利要求1所述的可验证的隐私保护单层感知机训练方法,其特征在于,所述可验证的隐私保护单层感知机训练方法具体包括以下步骤:步骤一,初始化阶段:在上传给云服务器前进行加密处理,用户执行KenGen算法生成三个稀疏矩阵F1∈Rn×n,F2∈Rm×m,F3∈RS×s用于盲化输入矩阵,用户随机选择初始化权重向量W∈Rm×s;步骤二,训练阶段:用户选择n个样例数据{x1,x2,...xn}及对应的输出值{O1,O2,...on},结合初始化权重向量W∈Rm×s,借助云服务器完成一次权重更新。步骤三,拥有新样例x={x1,x2,...xn}的查询者与拥有预测模型的w={w1,w2,...wn}的用户共同执行,结束时,只有查询者知道最终的分类结果,用户和查询者在算法执行的过程中双方的输入数据可以实现隐私性。4.如权利要求3所述的可验证的隐私保护单层感知机训练方法,其特征在于,所述步骤二具体包括:第一步,用户在每一轮迭代中随机选取一小束样例代替一个样例,用户选择n个样例数据{x1,x2,...xn}及对应的输出值{O1,O2,...on},每一个样例有m个属性;把训练样例表示...
【专利技术属性】
技术研发人员:陈晓峰,张肖瑜,王剑锋,袁浩然,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。