【技术实现步骤摘要】
本专利技术涉及数据隐私，尤其涉及一种基于深度学习的隐私数据保护方法。
技术介绍
1、深度学习在图像分类、语音处理、医学图像分割、自然语言处理等领域应用广泛，优秀的深度学习模型需要依赖大量数据集进行训练，数据集中通常包含各种敏感信息，模型精度的不断提升意味着个人隐私泄露的问题越发严重。特别是在当今数字化时代，每天都在创造和收集大量的数据，这些数据可以帮助数据收集者对自身或用户有一个更好的定位，但同时要面对数据隐私的泄露的风险。
2、此类的隐私安全问题会阻碍数据共享，影响深度学习的未来发展。另一方面，出于隐私问题的担忧，个人信息难以获取，机构不能通过大量差异化数据进行学习训练来增强决策能力或预测能力，人工智能技术发展难以推进。
技术实现思路
1、本专利技术为解决大量数据集训练过程中数据隐私泄露风险的问题，提供了一种基于深度学习的隐私数据保护方法，包括以下步骤：
2、s11、对敏感数据集进行分类和标注，识别敏感信息并进行处理；
3、s12、将敏感数据集中的敏感...
【技术保护点】
1.一种基于深度学习的隐私数据保护方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的隐私数据保护方法，其特征在于，步骤S11中，识别敏感信息并进行处理的方法为：
3.根据权利要求1所述的基于深度学习的隐私数据保护方法，其特征在于，步骤S12中，所述隐私预算用于衡量隐私保护程度，隐私预算越小，隐私保护的程度越高。
4.根据权利要求1所述的基于深度学习的隐私数据保护方法，其特征在于，步骤S12中，对所述离散数据集加入不同类型噪声进行扰动的方法为：
5.根据权利要求4所述的基于深度学习的隐私数据保护方法，...
【技术特征摘要】
1.一种基于深度学习的隐私数据保护方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的隐私数据保护方法，其特征在于，步骤s11中，识别敏感信息并进行处理的方法为：
3.根据权利要求1所述的基于深度学习的隐私数据保护方法，其特征在于，步骤s12中，所述隐私预算用于衡量隐私保护程度，隐私预算越小，隐私保护的程度越高。
4.根据权利要求1所述的基于深度学习的隐私数据保护方法，其特征在于，步骤s12中，对所述离散数据集加入不同类型噪声进行扰动的方法为：
5.根据权利要求4所述的基于深度学习的隐私数据保护方法，其特征在于，步骤s33中，所述指数机制通过效用函数评估样本数据集中每个可能的分裂，所述效用函数基于信息增益，根据每个分裂的效...
【专利技术属性】
技术研发人员：吴萍，郭海宁，
申请(专利权)人：江苏汉康东优信息技术有限公司，
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。