基于差分隐私保护的模型训练方法、终端设备及存储介质技术

本申请公开了一种基于差分隐私保护的模型训练方法、终端设备以及计算机可读存储介质，该基于差分隐私保护的模型训练方法包括：获取复合凸最小化问题；对复合凸最小化问题构建求解函数，其中，求解函数包括拉普拉斯光滑算子；初始化求解函数中的原变量；按照输入的预设迭代次数对求解函数进行循环迭代，以获取最终的模型参数。本申请的模型训练方法通过拉普拉斯光滑技术来提升求解目标问题的具有差分隐私保护的模型参数输出向模型最优解的收敛速度。敛速度。敛速度。

【技术实现步骤摘要】
基于差分隐私保护的模型训练方法、终端设备及存储介质


[0001]本申请涉及机器学习算法
，特别是涉及一种基于差分隐私保护的模型训练方法、终端设备以及计算机可读存储介质。

技术介绍

[0002]许多机器学习算法需要处理敏感数据(例如财务账户和医疗健康数据)，因此算法不仅要有效地从数据中学习，还要在一定程度上保护用户隐私。差分隐私(Differential Privacy，DP)可以保证算法学习的是人群的统计信息，但不了解单个用户的统计信息。
[0003]然而，目前的机器学习算法只考虑了使算法具有隐私保护能力，但没有进一步引入相关技术手段，如降噪技术使得模型输出在满足隐私保护要求的同时还能加速收敛到模型最优解，因为加入噪声干扰虽然能保证隐私保护，但必然会使模型输出向模型最优解的收敛速度变慢。

技术实现思路

[0004]本申请提供一种基于差分隐私保护的模型训练方法、终端设备以及计算机可读存储介质。
[0005]为解决上述技术问题，本申请提供的第一个技术方案为：提供一种基于差分隐私保护的模型训练方法，所述模型训练方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于差分隐私保护的模型训练方法，其特征在于，所述模型训练方法包括：获取复合凸最小化问题；对所述复合凸最小化问题构建求解函数，其中，所述求解函数包括拉普拉斯光滑算子；初始化所述求解函数中的原变量；按照输入的预设迭代次数对所述求解函数进行循环迭代，以获取最终的模型参数。2.根据权利要求1所述的模型训练方法，其特征在于，所述对所述复合凸最小化问题构建求解函数，包括：基于拉格朗日乘子法，按照预设约束条件对所述复合凸最小化问题构建求解函数；其中，所述预设条件为一般形式的等式约束条件。3.根据权利要求1或2所述的模型训练方法，其特征在于，所述对所述复合凸最小化问题构建求解函数，包括：对所述复合凸最小化问题构建增广拉格朗日函数，并将所述拉普拉斯光滑算子引入所述增广拉格朗日函数；通过预设约束条件将所述增广拉格朗日函数的导数变为0，从而获得所述原变量的更新函数。4.根据权利要求1所述的模型训练方法，其特征在于，所述初始化所述求解函数中的原变量以及对偶变量之前，所述模型训练方法还包括：输入隐私参数和迭代次数；初始化所述求解函数中的原变量、对偶变量以及步长。5.根据权利要求4所述的模型训练方法，其特征在于，所述模型训练方法，还包括：基于所述隐私参数计算高斯噪声的方差；将所述高斯噪声引入所述求解函数，以在所述求解函数的循环迭代过程中产生噪声扰动。6....

【专利技术属性】
技术研发人员：耿嘉诚，王康，刘德龙，陈波扬，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：