【技术实现步骤摘要】
一种同态加密下神经网络构建方法、图像处理方法和系统
本专利技术属于数据处理
，具体涉及一种同态加密下神经网络构建方法、图像处理方法和系统。
技术介绍
当前，随着人工智能技术在各个领域的应用与落地，机器学习即服务(MLaaS)由于其多功能性而变得流行。机器学习即服务工作在云端计算平台，用户需将自己的数据上传后，方可完成相关的分类与预测任务。由于机器学习相关算法与模型需要大量数据进行训练，而所需数据中又包含较多的个人隐私数据，同时其所涉及的领域众多，因此，机器学习即服务在使用中面临着严峻的数据安全问题。同态加密是指具有特殊代数结构的一系列加密方案，该结构允许直接对加密数据执行计算而无需解密密钥，且得到的运算结果解密后与在明文上运算结果一致，同态加密是一项可以有效保护用户隐私的技术。虽然当前主流的同态加密框架已支持同态加法、同态乘法等，但在机器学习相关计算中，包括着梯度计算、指数运算等复杂操作，在一些场景下，同态加密后的数据也无法满足机器学习模型中的复杂运算。Graepel等讨论了使用同态加密进行机器学习的适当和不适...
【技术保护点】
1.一种同态加密下神经网络构建方法，其特征在于，包括：/n获取预先训练的卷积神经网络模型输出所述卷积神经网络模型的网络参数；/n根据所述网络参数，在同态加密下对所述卷积神经网络模型进行转换，得到可识别多类型数据的卷积神经网络；/n其中，所述卷积神经网络模型是由用户层多个图像数据及其对应的分类结果训练得到的。/n
【技术特征摘要】
1.一种同态加密下神经网络构建方法，其特征在于，包括：
获取预先训练的卷积神经网络模型输出所述卷积神经网络模型的网络参数；
根据所述网络参数，在同态加密下对所述卷积神经网络模型进行转换，得到可识别多类型数据的卷积神经网络；
其中，所述卷积神经网络模型是由用户层多个图像数据及其对应的分类结果训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述根据所述网络参数，在同态加密下对所述卷积神经网络模型进行转换，得到可识别多类型数据的卷积神经网络，包括：
根据所述卷积神经网络模型中的图像数据，对所述卷积神经网络模型的输入层进行转换；
根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的卷积层进行转换；
根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的池化连接输出层的激活函数进行转换；
在同态加密下根据所述输入层、所述卷积层和所述池化连接输出层的激活函数的转换的结果，得到可识别多类型数据的卷积神经网络。
3.根据权利要求2所述的方法，其特征在于，
所述输入层转换计算式如下：
其中，x为图像数据信息的输入，sign(x)为输入层转换后的图像数据信息。
4.根据权利要求2所述的方法，其特征在于，
所述卷积层转换计算式如下：
其中，τ为精度参数，ω为卷积神经网络模型中的网络参数，processWeight(ω,τ)为卷积层转换后的网络参数和精度参数，为对进行向上取整。
5.根据权利要求2所述的方法，其特征在于，所述根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的池化连接输出层的激活函数进行转换，包括：
根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的池化连接输出层的激活函数采用泰勒级数进行展...
【专利技术属性】
技术研发人员：刘圣龙，王衡，周鑫，王迪，夏雨潇，张舸，江伊雯，吕艳丽，
申请(专利权)人：国家电网有限公司大数据中心，
类型：发明
国别省市：北京;11
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。