【技术实现步骤摘要】
本专利技术属于数据安全隐私保护领域，涉及隐私计算、联邦学习技术及联邦忘却学习技术，具体为一种基于投毒攻击干预训练的纵向联邦忘却学习方法。
技术介绍
1、当前互联网中充斥着用户产生的各种数据，在这些数据中，夹杂着用户的隐私和敏感信息，数据安全问题日益凸显。随着机器学习技术的发展，很多用户的数据都被用来训练模型，但是传统的机器学习需要将所有用户数据集中训练，这就导致训练数据的安全性无法保证。
2、随着数据的价值被更多企业挖掘出来，人们对数据的所有权也越来越重视。相关法律也赋予了用户对自己数据的所有权。例如欧盟发布了《通用数据保护条例》，加利福尼亚州颁布了《加利福尼亚州消费者隐私法》。这些法律不仅明确了用户对数据的所有权，而且给予了用户对于数据的可删除权，意味着用户可以要求企业或者模型清除自己的数据产生的影响。联邦学习正是在该背景下诞生的，它是一种机器学习的特殊范式。在联邦学习的训练过程中，每个用户作为一个客户端能够在本地训练数据，这样就避免了将数据暴露给其他客户端的风险，然后将训练结果发送给服务器，由服务器完成最后的聚合任务。联...
【技术保护点】
1.一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，所述步骤1具体包括：
3.根据权利要求1或2所述的一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，所述步骤2具体包括：
4.根据权利要求2所述的一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，所述步骤3具体包括：
5.根据权利要求4所述的一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，所述步骤4具体包括：参与方A和B各...
【技术特征摘要】
1.一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，所述步骤1具体包括：
3.根据权利要求1或2所述的一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，所述步骤2具体包括：
4.根据权利要求2所述的一种基于投毒攻击干预训练的纵向联邦忘却学习方法，其特征在于，所述...
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。