【技术实现步骤摘要】
本说明书实施例涉及隐私计算，特别涉及一种针对联邦推荐系统的梯度攻击方法。
技术介绍
1、随着互联网和人工智能的发展，机器学习在很多领域都有所应用，例如风险评估、语音识别、自然语言处理等领域。然而，近年来隐私泄露带来的安全问题，使得人们越发地关注自身的隐私安全。在此背景下，联邦学习应运而生。联邦学习是一种分布式学习模式，客户端的训练数据不会上传到服务器中，而是会在本地进行训练，最后上传梯度或参数至服务器，协助服务器完成模型的训练。
2、在基于联邦学习的对象推荐场景中，为了满足运营方的推广需求，需要对用户客户端进行指定对象的推荐。但是由于联邦学习的特性，在提高指定对象曝光率的前提下还要保证联邦学习的全局模型的推荐性能。因此目前亟需一种在不影响整体模型的推荐性能下，又能提高特定目标对象的曝光率的方法。
技术实现思路
1、有鉴于此，本说明书实施例提供了一种针对联邦推荐系统的梯度攻击方法。本说明书一个或者多个实施例同时涉及一种针对联邦推荐系统的梯度攻击装置，一种计算设备，一种计算机可读存...
【技术保护点】
1.一种针对联邦推荐系统的梯度攻击方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，响应于针对联邦学习任务的对象推荐请求在对象集合中选择待推荐对象之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，构建用于调整所述待推荐对象的推荐系数的初始模拟数据，包括：
4.根据权利要求3所述的方法，其特征在于，通过本地推荐模型对所述初始模拟数据进行处理，根据处理结果获得所述本地推荐模型对应的模拟梯度，包括：
5.根据权利要求4所述的方法，其特征在于，将所述模型参数梯度和所述对象表征梯度作为所述本地推荐...
【技术特征摘要】
1.一种针对联邦推荐系统的梯度攻击方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，响应于针对联邦学习任务的对象推荐请求在对象集合中选择待推荐对象之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，构建用于调整所述待推荐对象的推荐系数的初始模拟数据，包括：
4.根据权利要求3所述的方法，其特征在于，通过本地推荐模型对所述初始模拟数据进行处理，根据处理结果获得所述本地推荐模型对应的模拟梯度，包括：
5.根据权利要求4所述的方法，其特征在于，将所述模型参数梯度和所述对象表征梯度作为所述本地推荐模型对应的模拟梯度之后，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，确定全局推荐模型对应的全局梯度，包括：
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。