【技术实现步骤摘要】
极小极大学习模型的可验证数据遗忘隐私保护方法和装置
[0001]本专利技术涉及机器学习隐私保护领域,尤其涉及一种极小极大学习模型的可验证数据遗忘隐私保护方法和装置
。
技术介绍
[0002]机器学习是人工智能的一个重要分支,它是指通过对数据的学习和分析,让计算机系统自动从数据中学习模式和规律,从而使计算机系统能够自主地进行预测
、
分类
、
识别等任务
。
机器学习算法通过分析大量用户数据,从中发现规律和模式,从而生成预测模型
。
这些模型可以应用于各种不同的领域,例如自然语言处理
、
图像识别
、
推荐系统和预测分析等
。
极小极大学习模型
(Minimax Learning Model)
是一种在博弈论和机器学习中常用的模型,它尝试在多个决策者
(
也称为玩家
)
之间找到一种平衡状态,使得每个决策者都能够在最坏情况下获得最好的结果
。
极小极大学习模型在机器学习领域中应用广泛,包括对抗生成网络
、
鲁棒学习
、
对抗训练
、
算法公平性
、
马尔可夫决策过程等等
。
[0003]在实际应用中,机器学习模型会使用许多敏感数据来进行训练,例如医疗记录
、
金融数据
、
个人身份信息等,因此保护用户隐私变得至关重要
。 ...
【技术保护点】
【技术特征摘要】
1.
一种极小极大学习模型的可验证数据遗忘隐私保护方法,其特征在于,包括以下步骤:
(1)
针对原始数据集,计算所有样本损失函数的均值以获取经验风险,通过对极小极大学习模型进行训练以获取使所述经验风险极小极大的最优解,作为所述极小极大学习模型的极大参数和极小参数;
(2)
计算在所述步骤
(1)
获取的最优解处的全海森矩阵,所述全海森矩阵包括直接海森矩阵部分和间接海森矩阵部分;
(3)
根据所述步骤
(1)
获取的最优解
、
所述步骤
(2)
获取的全海森矩阵以及用户的数据删除请求,对所述极小极大学习模型的极大参数和极小参数进行牛顿步遗忘更新,以获取更新后的极小参数和极大参数;
(4)
对所述步骤
(3)
获取的更新后的极小参数和极大参数添加高斯噪声作为随机扰动,以获取最终的遗忘模型,根据遗忘模型完成可验证数据遗忘隐私保护
。2.
根据权利要求1所述的极小极大学习模型的可验证数据遗忘隐私保护方法,其特征在于,所述步骤
(1)
中获取使所述经验风险极小极大的最优解的具体过程为:其中,
n
为原始数据集
S
的大小,
z
i
为数据集中的第
i
个数据样本,
f(
·
)
为损失函数,
S
(
·
为原始数据集上的经验风险,
w
和
v
分别代表待学习的极小极大学习模型的极小参数和极大参数,为使经验风险最小化的极小参数,为使经验风险最大化的极大参数
。3.
根据权利要求1所述的极小极大学习模型的可验证数据遗忘隐私保护方法,其特征在于,所述步骤
(2)
中计算在所述步骤
(1)
获取的最优解处的全海森矩阵的具体过程为:获取的最优解处的全海森矩阵的具体过程为:其中,分别表示极小参数和极大参数在最优解处的全海森矩阵,分别表示经验风险函数
F
S
关于
w
和
v
的二阶偏导数,表示经验风险函数
F
s
先后对
w
求两次偏导,表示经验风险函数
F
s
先对
w
求偏导再对
v
求偏导,表示经验风险函数
F
s
先对
v
求偏导再对
w
求偏导数,表示经验风险函数
F
s
先...
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。