【技术实现步骤摘要】
本专利技术属于智能车联网，具体涉及一种适用于智能车联网的生成模型隐私保护方法和相关装置。
技术介绍
1、在智能车联网(intelligent vehicular networks，ivn)中，车辆通过网络相互连接以及与基础设施进行通信，实现信息共享与协同控制，从而提高交通效率和安全性。生成模型在智能车联网中有广泛应用，例如生成虚拟数据以提高自动驾驶算法的训练效果，模拟交通场景以测试新算法，以及检测异常行为等。然而，这些模型在训练过程中可能涉及大量的敏感数据，如车主的位置信息、驾驶行为数据等，若处理不当，可能会导致隐私泄露。
2、差分隐私(differential privacy)是目前保护数据隐私的主流技术之一。它通过在数据或计算结果中注入噪声，来确保任何单个数据点的影响在统计意义上不会显著改变结果，从而保护个人隐私。在生成模型的训练过程中引入差分隐私，可以有效防止模型泄露训练数据中的敏感信息。在生成模型领域，差分隐私生成模型(differentially privategenerative models，dpgms)的研究...
【技术保护点】
1.一种适用于智能车联网的生成模型隐私保护方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的适用于智能车联网的生成模型隐私保护方法，其特征在于，由所述私有数据集得到所述低维流行特征的表达式如下：
3.根据权利要求2所述的适用于智能车联网的生成模型隐私保护方法，其特征在于，所述第一生成模型的训练损失函数如下：
4.根据权利要求1所述的适用于智能车联网的生成模型隐私保护方法，其特征在于，对所述第一生成模型进行训练时，还将高斯分布采样的噪声向量添加到所述生成模型中间层的特征中。
5.根据权利要求3所述的适用于智能车联网...
【技术特征摘要】
1.一种适用于智能车联网的生成模型隐私保护方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的适用于智能车联网的生成模型隐私保护方法，其特征在于，由所述私有数据集得到所述低维流行特征的表达式如下：
3.根据权利要求2所述的适用于智能车联网的生成模型隐私保护方法，其特征在于，所述第一生成模型的训练损失函数如下：
4.根据权利要求1所述的适用于智能车联网的生成模型隐私保护方法，其特征在于，对所述第一生成模型进行训练时，还将高斯分布采样的噪声向量添加到所述生成模型中间层的特征中。
5.根据权利要求3所述的适用于智能车联网的生成模型隐私保护方法，其特征在于，采用随机扰动机制对所述投影向量...
【专利技术属性】
技术研发人员：张帆，钱斌，林伟斌，郭琦，王宗义，唐建林，林晓明，周密，周晓东，
申请(专利权)人：南方电网科学研究院有限责任公司，
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。