一种神经网络模型训练方法、装置、设备及介质制造方法及图纸

本申请公开了一种神经网络模型训练方法、装置、设备及介质，包括：获取第一模型训练用户终端下发的模型训练指令；在所述模型训练指令的控制下获取第一加密训练数据集；其中，所述第一加密训练数据集为第一数据提供方终端对第一训练数据集进行加密得到的数据集；利用所述第一加密训练数据集以及同态训练函数进行针对初始神经网络模型的模型训练，得到对应的第一训练后模型参数；其中，所述同态训练函数为根据明文训练函数进行重构得到的训练函数；所述明文训练函数为利用明文训练集对所述初始神经网络模型进行训练所采用的计算函数。这样，能够有效的保障训练数据集以及神经网络模型的安全性，并且避免复杂的交互通信延时。

【技术实现步骤摘要】
一种神经网络模型训练方法、装置、设备及介质
本申请涉及人工智能
，特别涉及一种神经网络模型训练方法、装置、设备及介质。
技术介绍
人工智能技术正在成为社会发展的新动力，在智能化生产、管理与服务领域中发挥越来越成熟、稳定的作用。事实上，基于深度学习的人工智能应用已经非常普遍，例如基于金属光滑曲面探测的产品质量检测生产方法、基于图像识别的人脸检测安防管理系统、基于语音识别的在线翻译和同声传译系统、基于视频雷达监测的自动驾驶技术等。然而，随着国际一般数据保护条例(GDPR，GeneralDataProtectionRegular)、国内网络空间安全法和个人隐私保护法的制定与实施，在基于深度学习的人工智能应用模型训练过程中，网络模型窃取攻击和训练数据隐私泄露将成为制约人工智能大规模应用与发展的关键瓶颈。针对网络模型窃取的攻击类型包括：模型提取攻击、模型逆向攻击、成员推理攻击、模型泄露攻击(内部腐败、外部系统漏洞等)，针对训练数据隐私泄露的攻击类型包括中间截取、共享拷贝、非法买卖、恶意篡改以及数据泄露(内部腐败、外部系统漏洞等)等攻击形式。本文档来自技高网...

【技术保护点】
1.一种神经网络模型训练方法，其特征在于，应用于人工智能训练平台，包括：/n获取第一模型训练用户终端下发的模型训练指令；/n在所述模型训练指令的控制下获取第一加密训练数据集；其中，所述第一加密训练数据集为第一数据提供方终端对第一训练数据集进行加密得到的数据集；/n利用所述第一加密训练数据集以及同态训练函数进行针对初始神经网络模型的模型训练，得到对应的第一训练后模型参数；/n其中，所述同态训练函数为根据明文训练函数进行重构得到的训练函数；所述明文训练函数为利用明文训练集对所述初始神经网络模型进行训练所采用的计算函数。/n

【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，应用于人工智能训练平台，包括：
获取第一模型训练用户终端下发的模型训练指令；
在所述模型训练指令的控制下获取第一加密训练数据集；其中，所述第一加密训练数据集为第一数据提供方终端对第一训练数据集进行加密得到的数据集；
利用所述第一加密训练数据集以及同态训练函数进行针对初始神经网络模型的模型训练，得到对应的第一训练后模型参数；
其中，所述同态训练函数为根据明文训练函数进行重构得到的训练函数；所述明文训练函数为利用明文训练集对所述初始神经网络模型进行训练所采用的计算函数。


2.根据权利要求1所述的神经网络模型训练方法，其特征在于，还包括：
根据所述明文训练函数对应的计算类型以及所述明文训练集对应的数据类型重构所述同态训练函数。


3.根据权利要求1所述的神经网络模型训练方法，其特征在于，还包括：
获取所述第一模型训练用户终端下发的训练模型融合指令；
在所述模型融合指令的控制下进行训练模型融合。


4.根据权利要求3所述的神经网络模型训练方法，其特征在于，所述在所述模型融合指令的控制下进行训练模型融合，包括：
获取第二模型训练终端共享的第二加密训练数据集；所述第二加密训练数据集为第二数据供应方终端对第二训练数据集加密得到的数据集；
利用所述第二加密训练数据集以及所述同态训练函数继续训练，得到对应的优化后模型参数。


5.根据权利要求3所述的神经网络模型训练方法，其特征在于，所述在所述模型融合指令的控制下进行训练模型融合，包括：
获取第二训练后模型参数；其中，所述第二训练后模型参数为第二模型训练用户终端通过所述人工智能训练平台利用第二加密训练数据集以及所述同态训练函数进行针对所述初始神经网络模型的模型训练，得到的训练后模型参数；所述第二加密训练数据集为所述第二数据提供方终端对第二训练数据集进行加密得到的数据集；
利用所述第一训练后模型参数和所述第二训练后模...

【专利技术属性】
技术研发人员：李仁刚，赵雅倩，李雪雷，李茹杨，张新，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32