【技术实现步骤摘要】
本专利技术属于机器学习安全领域，具体涉及一种基于局部模型和集成学习的xgboost模型后门检测方法及系统。
技术介绍
1、随着机器学习和人工智能技术的迅速发展，这些技术在各个关键领域如金融、医疗和自动驾驶等的应用变得越来越深入，因此模型的安全性和鲁棒性成为学术界和工业界共同关注的重点。模型的可靠性直接关系到经济安全、人身健康和生命安全，对这些领域的模型安全性提出了更高的要求。xgboost(extreme gradient boosting)作为一种高效而强大的梯度提升树(gbt)算法，因其出色的预测性能、处理缺失值的能力以及并行计算的支持，在金融风险控制、信用评分、预测性维护等领域获得了广泛应用[1]。在金融风险控制领域，xgboost模型能够准确识别潜在的违约客户，帮助金融机构降低信贷风险；在信用评分系统中，通过分析客户的历史数据提供可靠的信用评分，支持信贷决策；在预测性维护领域，能够预测设备故障，避免生产中断和设备损坏[2]。然而，随着xgboost模型的广泛应用，其潜在的安全风险也逐渐暴露，尤其是后门攻击问题，引起了研究者和行业
【技术保护点】
1.一种基于局部模型和集成学习的XGBoost模型后门检测方法，其特征在于，应用于需要高鲁棒性和安全性的机器学习模型，包括以下步骤：
2.根据权利要求1所述的基于局部模型和集成学习的XGBoost模型后门检测方法，其特征在于：
3.根据权利要求1所述的基于局部模型和集成学习的XGBoost模型后门检测方法，其特征在于：
4.根据权利要求3所述的基于局部模型和集成学习的XGBoost模型后门检测方法，其特征在于：
5.根据权利要求1所述的基于局部模型和集成学习的XGBoost模型后门检测方法，其特征在于：
6....
【技术特征摘要】
1.一种基于局部模型和集成学习的xgboost模型后门检测方法，其特征在于，应用于需要高鲁棒性和安全性的机器学习模型，包括以下步骤：
2.根据权利要求1所述的基于局部模型和集成学习的xgboost模型后门检测方法，其特征在于：
3.根据权利要求1所述的基于局部模型和集成学习的xgboost模型后门检测方法，其特征在于：
4.根据权利要求3所述的基于局部模型和集成学习的xgboost模型后门检测方法，其特征在于：
5.根据权利要求1所述的基于局部模型和集成学习的xgboost模型后门检测...
【专利技术属性】
技术研发人员：刘森，林念旺，李佳乐，何宇晨，柴洪峰，
申请(专利权)人：复旦大学，
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。