一种适用于非独立同分布情况且具有隐私保护的图像分类方法技术

本发明专利技术公开了一种适用于非独立同分布情况且具有隐私保护的图像分类方法，包括：(1)随机生成一个ETF结构；(2)用ETF结构初始化全局图像分类系统；(3)从所有的客户端中随机抽取K个客户端；(4)对于被抽到的客户端，首先初始化为全局图像分类系统，然后用其私有数据更新特征抽取模型，更新时考虑记忆向量；(5)使用步骤(4)所有客户端的特征向量更新记忆向量；(6)用客户端的局部图像分类系统更新全局图像分类系统；(7)重复步骤(3)～(6)，直到目标函数的损失值收敛；(8)将待分类的图像输入训练完的全局图像分类系统，得到图像分类结果。利用本发明专利技术，可以大大提升在非独立同分布数据集上基于联邦学习的图像分类质量。联邦学习的图像分类质量。联邦学习的图像分类质量。

【技术实现步骤摘要】
一种适用于非独立同分布情况且具有隐私保护的图像分类方法


[0001]本专利技术属于数据安全和隐私保护领域，尤其是涉及一种适用于非独立同分布情况且具有隐私保护的图像分类方法。

技术介绍

[0002]人工智能需要通过大量的数据来进行学习。但是在现实应用场景中，受限于法律法规、政策监管、商业机密、个人隐私等数据隐私安全上的约束，各个客户端(数据来源方)无法直接交换数据。例如同行业不同竞争者所拥有的信息、用户的个人私密信息、上下游行业的数据等都是不能够共享的。隐私保护是指将客户端的数据保护起来对外不可见不共享，通过某一种加密方式传递客户端的需求或偏好。为了解决在隐私保护及数据安全下的数据合作问题，联邦学习的概念被提出。其核心思想是通过在多个拥有本地数据的客户端之间进行分布式模型训练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡，即“数据可用不可见”、“数据不动模型动”的应用新范式。例如对于输入法这一应用，客户端的使用者希望语言偏好(例如喜欢的事物、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于非独立同分布情况且具有隐私保护的图像分类方法，其特征在于，包括以下步骤：(1)随机生成一个等角紧框架ETF结构，其中，ETF矩阵维度为p
×
K，p为特征的维度，K为抽取的客户端的个数；(2)用步骤(1)中的ETF结构初始化全局图像分类系统，使得各个客户端有一致的优化目标；(3)从所有的客户端中随机抽取K个客户端；(4)对于步骤(3)中被抽到的客户端，首先将客户端的局部图像分类系统初始化为全局图像分类系统，然后用客户端的私有数据更新特征抽取模型；在每一轮更新时使用关于同类别的记忆向量，并用目标函数计算损失值；(5)使用步骤(4)中所有客户端的特征向量更新记忆向量；(6)使用客户端的局部图像分类系统更新全局图像分类系统；(7)重复执行步骤(3)～步骤(6)，直到目标函数的损失值收敛；(8)将待分类的图像输入训练完的全局图像分类系统，得到图像分类结果。2.根据权利要求1所述的适用于非独立同分布情况且具有隐私保护的图像分类方法，其特征在于，步骤(1)中，ETF结构需要满足如下条件：(1
‑
1)(1
‑
2)每一列都是一个单元范数，(1
‑
3)列与列之间是等角的。3.根据权利要...

【专利技术属性】
技术研发人员：黄晨晰，谢亮，王闻箫，林彬彬，蔡登，
申请(专利权)人：浙江大学，
类型：发明
国别省市：