基于迁移学习的多源数据隐私保护方法研究

计算机工程与科学

• 计算机网络与信息安全 • 上一篇下一篇

基于迁移学习的多源数据隐私保护方法研究

付玉香1，秦永彬1,2，申国伟1,2

（1.贵州大学计算机科学与技术学院,贵州贵阳 550025;
2.贵州大学贵州省公共大数据重点实验室，贵州贵阳 550025）

收稿日期:2018-11-13 修回日期:2019-01-10 出版日期:2019-04-25 发布日期:2019-04-25
基金资助:
国家自然科学基金重大研究计划（91746116）;贵州省重大应用基础研究项目（黔科合JZ字［2014］2001）;贵州省科技重大专项计划（黔科合重大专项字［2017］3002）

Multi-source data privacy protection

based on transfer learning

FU Yuxiang1，QIN Yongbin1,2，SHEN Guowei1,2

(1.College of Computer Science and Technology，Guizhou University，Guiyang 550025;

2.Guizhou Provincial Key Laboratory of Public Big Data,Guizhou University,Guiyang 550025,China)

Received:2018-11-13 Revised:2019-01-10 Online:2019-04-25 Published:2019-04-25

摘要/Abstract

摘要：

隐私保护的多源数据分析是大数据分析的研究热点，在多方隐私数据中学习分类器具有重要应用。提出两阶段的隐私保护分析器模型，首先在本地使用具有隐私保护性的PATET模型对隐私数据训练分类器；然后集合多方分类器，使用迁移学习将集合知识迁移到全局分类器，建立一个准确的、具有差分隐私的全局分类器。该全局分类器无需访问任何一方隐私数据。实验结果表明，全局分类器不仅能够很好地诠释各个本地分类器，而且还可以保护各方隐私训练数据的细节。

关键词: 隐私保护, 多源数据, 差分隐私, 迁移学习, 全局分类器, 本地分类器

Abstract:

Multisource data analysis with privacy protection is a research hotspot in big data analysis. Learning classifiers from multiparty privacy data has important applications. We propose a twostage privacy protection analyzer model. Firstly, we use the PATET model with privacy protection to train the classifier for private data. Then we gather the multi-party classifier, and use transfer learning to transfer the set knowledge to the global classifier to establish an accurate global classifier with differential privacy. The global classifier does not need to access any party’s private data. Experimental results show that the global classifier can not only interpret each local classifier well, but also protect the details of the privacy training data of all parties.

Key words: privacy protection, multisource data, differential privacy, transfer learning, global classifier, local classifier

付玉香1，秦永彬1,2，申国伟1,2. 基于迁移学习的多源数据隐私保护方法研究[J]. 计算机工程与科学.

FU Yuxiang1，QIN Yongbin1,2，SHEN Guowei1,2.

Multi-source data privacy protection

based on transfer learning

[J]. Computer Engineering & Science.

[1]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[2]	赵文韬, 官礼和, 何建国, 唐昊. 区块链环境中的隐私保护推荐算法研究[J]. 计算机工程与科学, 2024, 46(06): 1032-1040.
[3]	董燕灵, 张淑芬, 徐精诚, 王豪石, . 面向Stacking算法的差分隐私保护研究[J]. 计算机工程与科学, 2024, 46(02): 244-252.
[4]	王辉, 陈宇, 申自浩, 刘沛骞. 结合对比监督和排序树的轨迹数据差分隐私保护方案[J]. 计算机工程与科学, 2023, 45(10): 1797-1805.
[5]	叶茜, 张玉书, 赵若宇, 肖祥立, 温文媖. 可用性增强的缩略图保持加密[J]. 计算机工程与科学, 2023, 45(09): 1563-1571.
[6]	史册, 南新元. 改进InceptionV3与迁移学习的太阳能电池板缺陷识别[J]. 计算机工程与科学, 2023, 45(04): 646-653.
[7]	董佩杰, 牛新, 魏自勉, 陈学晖. 单次神经网络结构搜索研究综述[J]. 计算机工程与科学, 2023, 45(02): 191-203.
[8]	程小刚, 郭韧, 周长利, . 基于理性密码学的分布式隐私保护数据挖掘框架[J]. 计算机工程与科学, 2022, 44(10): 1781-1787.
[9]	李帅, 常锦才, 李吕牧之, 蔡昆杰, . 基于差分隐私保护的Stacking集成聚类算法研究[J]. 计算机工程与科学, 2022, 44(08): 1402-1408.
[10]	寇邦艳, 曹素珍, 吕佳. 基于雾计算面向停车服务的隐私保护方案[J]. 计算机工程与科学, 2022, 44(07): 1232-1238.
[11]	牛淑芬, 方丽芝, 宋蜜, 王彩芬, 杜小妮. 智慧城市中隐私保护性广播加密算法[J]. 计算机工程与科学, 2022, 44(06): 1003-1012.
[12]	袁泉, 晏飞扬, 文志云, 张振康, . 基于谱聚类的社交网络差分隐私保护算法研究[J]. 计算机工程与科学, 2022, 44(02): 251-256.
[13]	纪玲玉, 高永彬, 蔡清萍, 卫子然, 廖薇 . 基于改进卷积神经网络的腹部动脉血管分割[J]. 计算机工程与科学, 2021, 43(11): 1986-199.
[14]	胡雨谷, 葛丽娜, . 一种改进的差分隐私参数设置及数据优化算法[J]. 计算机工程与科学, 2021, 43(10): 1758-1765.
[15]	谢小杰, 梁英, 王梓森, 董祥祥, . 社交网络用户隐私泄露量化评估方法[J]. 计算机工程与科学, 2021, 43(08): 1376-1386.

基于迁移学习的多源数据隐私保护方法研究

Multi-source data privacy protection

based on transfer learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价