【技术实现步骤摘要】
本专利技术属于数据隐私保护领域，尤其涉及一种基于梯度上升的隐私保护方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着数字化时代的快速发展，数据量呈现爆炸性增长，而数据中往往蕴含有大量的个人隐私信息。如何在确保数据的有效利用的同时，维护用户隐私，已经成为科研界和产业界共同关心的问题。近年来，隐私保护技术得到了广泛的研究，其中，差分隐私、同态加密等技术应用逐渐成熟。但在实际应用中，如何确保一个模型在学习新数据后可以遗忘旧数据，即机器遗忘学习，仍然是一个尚未得到完美解决的难题。
3、在多数现有的机器学习模型中，一旦模型训练完成，即使删除了原始数据，模型仍然能够间接地保存或回溯到某些信息，可能导致隐私泄露。这使得单纯从数据存储角度出发的隐私保护方法显得不够全面。此外，为了满足新的业务需求或法律法规的要求，有时候还需要模型能够遗忘某些特定的数据。
4、现有的技术主要集中在两个方向。一是如何组建数字孪生网络进行数据分享，另一个是如何利用同步联邦学习进
本文档来自技高网...【技术保护点】
1.一种基于梯度上升的隐私保护方法，其特征在于，包括：
2.如权利要求1所述的一种基于梯度上升的隐私保护方法，其特征在于，还包括：对获取的训练样本进行分组，对于分组后的训练样本的数据计算哈希值，作为标志符。
3.如权利要求1所述的一种基于梯度上升的隐私保护方法，其特征在于，所述损失函数采用交叉熵损失函数。
4.如权利要求1所述的一种基于梯度上升的隐私保护方法，其特征在于，在对指定遗忘数据的深度学习模型进行微调后，还包括：采用相同数量的指定遗忘训练样本和非遗忘训练样本构成数据集；基于所构成的数据集对深度学习模型进行测试；采用准确率、召...
【技术特征摘要】
1.一种基于梯度上升的隐私保护方法，其特征在于，包括：
2.如权利要求1所述的一种基于梯度上升的隐私保护方法，其特征在于，还包括：对获取的训练样本进行分组，对于分组后的训练样本的数据计算哈希值，作为标志符。
3.如权利要求1所述的一种基于梯度上升的隐私保护方法，其特征在于，所述损失函数采用交叉熵损失函数。
4.如权利要求1所述的一种基于梯度上升的隐私保护方法，其特征在于，在对指定遗忘数据的深度学习模型进行微调后，还包括：采用相同数量的指定遗忘训练样本和非遗忘训练样本构成数据集；基于所构成的数据集对深度学习模型进行测试；采用准确率、召回率和f1得分评价深度学习模型的性能。
5.如权利要求4所述的一种基于梯度上升的隐私保护方法，其特征在于，在对指定遗忘数据的深度学习模型进行微调时，执行梯度下降进行训练迭代。
6.如权利要求2所述的一种基于梯度上...
【专利技术属性】
技术研发人员：高龙翔，王宝海，曲悠扬，顾树俊，崔磊，李秉泽，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：
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。