CN113987255A - 基于联邦学习与秘密分享的多源密文图像检索方法 - Google Patents
基于联邦学习与秘密分享的多源密文图像检索方法 Download PDFInfo
- Publication number
- CN113987255A CN113987255A CN202111641508.6A CN202111641508A CN113987255A CN 113987255 A CN113987255 A CN 113987255A CN 202111641508 A CN202111641508 A CN 202111641508A CN 113987255 A CN113987255 A CN 113987255A
- Authority
- CN
- China
- Prior art keywords
- image
- ciphertext
- double
- computing
- cloud platform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/58—Random or pseudo-random number generators
- G06F7/588—Random number generators, i.e. based on natural stochastic processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/085—Secret sharing or secret splitting, e.g. threshold schemes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Signal Processing (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Storage Device Security (AREA)
- Processing Or Creating Images (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本方案公开了一种基于联邦学***台的图像拥有者为联邦成员对双云平台的卷积神经网络进行模型训练;S2.授权用户基于加法秘密分享借助双云平台完成密文图像检索。本方案提供基于联邦学习与秘密分享的多源密文图像检索方案,利用联邦学习精简检索使用的神经网络模型结构,获得更好的网络参数,用图像拥有者端的开销换取更好的神经网络参数与更精简的网络模型结构,使得更好的卷积神经网络能够被使用在密文图像检索中,使得用户在检索时可以更好更快地得到结果。
Description
技术领域
本发明属于密文图像检索技术领域,尤其是涉及一种基于联邦学习与秘密分享的多源密文图像检索方法。
背景技术
随着电子成像设备的日益普及,图像资源大幅增长,人们开始有寻找相似图像的需求,互联网也开始有类似的服务提供,如百度等提供以图搜图服务。然而优质的图像资源是高价值而不宜直接公开在互联网上的。因此考虑一种方案支持图像拥有者们外包自身高价值图像给云平台,同时保证云平台能够在无法得知图像内容的情况下支持对这些密文图像提供检索服务是一件切实的任务。现有的密文图像检索工作可以分为两大类:基于密文特征的图像检索和基于密文图像的图像检索。
基于密文特征的图像检索方案中,图像拥有者首先提取出如SIFT特征等图像特征向量。此类方案解决的核心问题是对特征进行加密后仍保证密文特征间的距离度量有效,其中较为重要的工作有:卢等人最早给出了如比特位随机化、随机投影和随机一元编码等三种加密技术;夏等人针对地球移动距离这种度量方式,提出使用随机线性变换和随机值来保护原始数据;袁等人使用安全k近邻技术进一步考虑将特征索引构建工作部分交由云平台协助完成;沈等人和张等人使用了经典的同态加密工具完成了对特征的加密,然而同态加密显著降低了他们方案的效率。完成对图像特征的加密后,图像拥有者使用流加密或对称加密等方案对图像进行加密,并将密文特征与密文图像外包即可。
基于密文图像的图像检索中,图像拥有者直接对图像进行加密,并保证云平台可以从密文图像中解析出可用于检索的特征,其中较为重要的工作有:Ferreira等人提出使用置乱加密对图像的像素位置以及RGB颜色值直方图进行打乱,但使用同样密钥加密后的密文图像,其解析出的颜色直方图间的距离仍然有效;受局部特征比全局特征更适于检索启发,夏等人在该方案基础上进一步将像素位置置乱分为块内置乱与块间置乱,并引入词袋模型加速检索,同时使用了多表置乱加密图像颜色值以更好的抵抗已知背景攻击;为降低存储开销,部分研究者进一步考虑了JPEG格式下的密文图像检索。然而上述方案为了检索效率只能提取出精度较低的统计特征,为获得与明文相似的精度,部分研究者专注于从密文图像中提取经典明文特征:Hsu等人最早考虑使用同态加密以提取密文SIFT特征,但该方案一方面需要图像拥有者进行大量交互,另一方面存在安全隐患;后续的工作指出单云平台方案很难避免上述问题,因此之后的此类方案普遍使用双云平台或多云平台。其中较为重要的方案有:胡等人结合部分同态加密方案与SIMD技术构造了双云平台间的高效批量乘法与批量比较协议,然而此方案提取一张常规大小图像的SIFT特征仍需要数十个小时;刘等人使用了多方安全计算中的混淆电路技术完成了预训练神经网络特征的提取,然而一方面该方案仅提取出全连接层的特征,缺乏通用性,另一方面,其在检索时的时耗仍超过10秒;在近期的方案中,夏等人使用秘密分享技术提取了卷积层的密文特征,该方案在检索阶段的时耗不到2s,然而该方案在面对大规模数据集时精度仍不够高,在面对高分辨率图像时检索时耗仍不够低,同时该方案无法保证图像的信息论安全。
上述方案中通常考虑的模型为单个图像拥有者外包图像的情况,这显著限制了他们的应用场景。在近期的工作中,顾等人明确指出,一个多源密文图像检索方案应当能够支持授权用户通过常数轮交互得到所有授权他的图像拥有者外包的相似图像,同时能够在合理的威胁模型下保证所有图像拥有者图像的安全性。然而,此方案仅考虑了密文统计特征,授权用户的检索精度较低,无法满足真实世界的挑战。综上所述,虽然密文图像检索任务已有十多年的研究历史,现有的方案仍存在以下几方面的问题:
(1)不支持多源密文图像检索,现有的所有单云平台方案都不能完全满足多源密文图像检索的功能需求,且都存在精度低的问题。而多云平台方案虽然容易拓展成多源方案,但现有策略仍普遍存在时耗高或安全性不足等问题。
(2)检索精度不足,现有最优的密文图像检索方案考虑了预训练神经网络的卷积层特征,这在大样本下精度仍有较大的提升空间,而其余的传统特征或统计特征方案即使在小样本下精度仍存在问题。
(3)时间消耗高,现有的基于双云平台的高精度方案中消耗最低的是基于秘密分享策略的技术,然而此类技术在面对非线性计算时需要大量的交互计算,从而造成了高昂的通信时耗。
发明内容
本发明的目的是针对上述问题,提供一种基于联邦学习与秘密分享的多源密文图像检索方法。
为达到上述目的,本发明采用了下列技术方案:
一种基于联邦学习与秘密分享的多源密文图像检索方法,其特征在于,包括以下步骤:
S1.基于联邦学***台的图像拥有者为联邦成员对双云平台S i 的卷积神经网络进行模型训练;
S2.授权用户基于加法秘密分享借助双云平台完成密文图像检索。
在上述的基于联邦学习与秘密分享的多源密文图像检索方法中,步骤S1中,图像拥有者通过以下方式训练神经网络:
S11.图像拥有者从双云平台S i 分别获取卷积神经网络的网络结构及权重信息W i 和偏置信息b i ,并恢复卷积神经网络W=W 1 +W 2 ,b=b 1 +b 2 ;
S12.对待上传图片制作标签,使用待上传图片对所述的卷积神经网络进行训练;
S13.训练结束后,将梯度信息G的两份梯度分享G 1 、G 2 ,待上传图像信息{I}的两份图像分享{I 1 }、{I 2 },待上传图像张量信息{T}的两份张量分享{T 1 }、{T 2 }均分别发送给两个云平台S 1 、S 2 ;
S14.双云平台S i 根据梯度分享G i 分别更新权重信息,使用权重更新后的网络对张量分享T i 分别进行计算得到比对特征{F i },投入使用时,采用定期更新比对特征{F i }的方式,如每24小时更新一次,以避免频繁更新,同时保证与检索时使用的网络权重参数相对应。
本领域技术人员应当知道,上述S i 、G i 、T i 、F i 等当中的i均表示1、2,表示的分别是两个云平台,两份梯度分享、两份张量分享和两份比对特征,分享值均在某个预先确定的有限域(如 Z2 32)中,对分享值的运算均为模域下的运算,其中Z指整数域,后同。
在上述的基于联邦学***台S i 的全连接层的节点数量均与双云平台S i 所涉及的图像种类一致,且双云平台S i 初始网络的卷积层均使用预训练权重,全连接层的初始权重以正态分布随机生成,后续图像拥有者均通过步骤S11-S14对网络参数更新之后的模型进行再训练。
在上述的基于联邦学习与秘密分享的多源密文图像检索方法中,步骤S2具体包括:
S21.授权用户将待查询图片转换为张量信息,并将张量信息{QT}以加法秘密分享形式分割分别发送给双云平台S i ;即将张量信息{QT}的两份张量分享{QT 1 },{QT 2}分别发送给两个云平台S 1 、S 2 ;
S22.双云平台S i 根据张量信息的张量分享QT i 进行密文协同计算,分别得到密文特征QF i ;
S23.双云平台S i 协同对所提取的密文特征QF i 和比对特征{F i }进行距离度量,并根据度量结果将相似图像的图像信息{I i }传回给授权用户;
S24.授权用户基于两份图像分享{I i }恢复原始明文图像{I}。
在上述的基于联邦学习与秘密分享的多源密文图像检索方法中,步骤S14中,通过以下方式得到比对特征{F i }:
S141.双云平台S i 通过权重更新后的网络对接收到的张量分享T i 做密文前馈计算,并提取最后一层池化层的特征;
S142.对池化层特征进行加性聚合;
S143.使用加性聚合后的特征向量作为比对特征{F i };
步骤S22中,通过以下方式得到密文特征QF i :
S221.双云平台S i 对接收到的张量分享QT i 做密文前馈计算,并提取最后一层池化层的特征;
S222.对池化层特征进行加性聚合;
S223.使用加性聚合后的特征向量作为密文特征QF i 。
在上述的基于联邦学习与秘密分享的多源密文图像检索方法中,密文前馈计算的计算策略包括针对全连接层和卷积层的基于Beaver三元组的密文乘法协议SecMul,针对激活函数层的激活层协议SecReLU,以及针对最大池化层的池化层协议SecMaxpool;
密文乘法协议SecMul包括:双云平台S i 拥有u i ,v i ,offline阶段:①图像拥有者生
成随机数a,b,c满足c=ab,然后对a,b,c进行加性分解并将(a i ,b i ,c i )发送给S i ;online阶
段:②S i 计算;③S i 恢复与;④S i 计算,此时f 1 +f 2 =uv,具体来说,该协议完成了。
在上述的基于联邦学***台拥有值a的分享,该值a为ReLU层输入向量中的任意一值,offline阶段:①图像拥有者生成协议中涉及的子协议所需要的随机数并发送给S i ;online阶段:②S i 计算SecSgn(a)=b i ;③S i 计算SS(b i ,a,0);
其中,密文正负判断协议SecSgn如下:双云平台S i 拥有值a的秘密分享a i ,offline
阶段:①图像拥有者生成协议中涉及的子协议所需要的随机数并发送给S i ;online阶段:②S i 协同计算SecCmp(2*a i )=b i ;③S i 计算,双云平台S i 此时得到正负号的分
享值;如果,则原值a为正数,否则a为负数;
密文选择协议SS如下:双云平台S i 拥有比特值b的分享,以及两个待选择的数
值x、y,offline阶段:①图像拥有者生成一个随机比特值c,以及其在Z 2 与Z L 上的分享,c i ,并发送给S i ;②图像拥有者生成协议中涉及的子协议所需要的随机数并发送给S i ;online阶段:③S i 计算;④S i 恢复e;⑤如e=1,则S 1 令c 1 =1-c 1 ,S 2 令c 2 =- c 2 ;⑥S i 计算res i =SecMul(y i -x i ,c i )+x i ,双云平台S i 此时得到秘密选择出的值的分享值,如
果b为0,则res 1 +res 2 =x,否则res 1 +res 2 =y;
其中,密文值比较协议SecCmp如下:双云平台S i 拥有值a的秘密分享a i ,offline阶
段:①图像拥有者生成一个随机值x及它的对应比特;②图像拥有者计算x的分享值x i 及其
比特位的分享值并发送给双云平台S i ,本方案使用32位数进行计算,因此,t属于
[0, 31];③图像拥有者计算x 1 +x 2是否大于L,L=232,如是,则令,否则令;然后
生成在Z 2上的分享;online阶段:④S i 计算,并判断是否大于L,
是则令,否则令;⑤S i 恢复出r,并判断r 1 +r 2是否大于L,是则令,否则令;⑥S i 协同计算出;⑥S 1计算 ,S 2计算,此时,双云平台S i 获得a是否大于L这一信息的分享值,即该协议
完成了;
其中,密文比特比较协议SecBitCmp如下:双云平台S i 拥有秘密值x的所有l比特位x[t]的一份Z p 下的分享,拥有一个公共的数r的l比特位r[t],拥有一个随机比特
在Z 2 与Z p 下的一份分享,以及一个随机数m的秘密分享(即m为小
于p的正整数),l=32,L=2 l 。offline阶段:①图像拥有者生成协议中涉及的子协议所需要的
随机数并发送给双云平台S i ;online阶段:②S i 计算 ;③S i 计算,S 1 计算;④S i 计算,然后S 1 计
算;⑤S i 计算 ,使用三数乘协议SecThreeMul与密文乘法协议SecMul完成计算;⑥如果d=0,则S 1得到比特,否则
得到;S 2 得到比特,此时,双云平台S i 得到一个比较结果的分享值,
即该协议完成了;密文乘法协议SecMul 与前述针对全
连接层和卷积层的基于Beaver三元组的密文乘法协议SecMul一致,不在此赘述;
三数乘协议SecThreeMul如下:双云平台S i 拥有x i ,y i ,z i ,offline阶段:①图像拥有者生成协议中涉及的子协议所需要的随机数并发送给S i ;②图像拥有者生成随机整数a, b,c并计算d=abc;③图像拥有者计算并将a,b,c,d的秘密分享发送给S i ;online阶段:④S i 协同计算SecMul(x i ,y i ),SecMul(x i ,z i ),SecMul(y i ,z i )得到xy i ,xz i ,yz i ;⑤S i 计算e i =x i -a i ,f i =y i -b i ,g i =z i -c i ,并协同恢复出e,f,g;⑥S i 计算
在上述的基于联邦学***台S i 持有待比较数据x i ,y i ,z i ,t i 。offline阶段:①图像拥有者生成协议中涉及的子协议所需要的随机数并发送给S i ;online阶段:②S i 调用SecSgn与SS计算max(x i ,y i )与max(z i ,t i );③S i 调用SecSgn与SS计算max(max(x i ,y i ),max(z i ,t i ))。
在上述的基于联邦学***台S i 拥有密文向量{x i },{y i },offline阶段:①图像拥有者们生成协议中涉及的子协议所需要的随机数并发送给S i ;online阶段:②S i 对向量元素做差,并协同计算SecMul(x i -y i ,x i -y i );③计算所有向量值之和;双云平台S i 此时得到两向量欧几里得距离平方值的秘密分享。
在上述的基于联邦学***台S i 掌握有大量待比较数值的一份分享{x i },offline阶段:①图像拥有者们生成协议中涉及的子协议所需要的随机数并发送给S i ;②图像拥有者产生一个随机正值k,一个随机值b,并将其分享值发送给双云平台S i ;k值与b值的生成范围预先确定并保证kx+b的结果一定在x的分享的范围内,本方案采用0.1<k<10,-100<b<100;online阶段:③双云平台S i 计算SecMul(k i ,{x i })+b i ,并公开{kx+b}的值。
本发明的优点在于:
提供基于联邦学习与秘密分享的多源密文图像检索方案,利用联邦学习精简检索使用的神经网络模型结构,同时获得更好的网络参数;
用图像拥有者端的开销换取更好的神经网络参数与更精简的网络模型结构,使得更好的卷积神经网络能够被使用在密文图像检索中,使得用户在检索时可以更好更快地得到结果;
在密文前馈过程的关键步骤密文正负判断协议上引入了三数乘等协议,能够得到更好地轮次结果;
借助于联邦学***台的秘密分享技术,能够保证结构更简单,安全性更高的神经网络被用于检索中,提高图像内容信息安全性的同时提高后期检索的检索精度和检索效率,充分保证密文图像检索方案的实用性。
附图说明
图1为本发明基于联邦学习与秘密分享的多源密文图像检索方法的方法流程图;
图2为本发明方案与现有技术一些方案在Corel1k数据集上50张返回结果情况下的精度对比图;
图3为本发明方案现有技术一些方案在Corel10k数据集上50张返回结果情况下的精度对比图。
具体实施方式
下面结合附图本方案进行进一步说明:
如图1所示,下面对本方案基于联邦学习与秘密分享的多源密文图像检索方法在投入使用时的使用步骤进行详细介绍:
双云平台初始化:
S12双云平台使用网络作为卷积神经网络的网络结构,包括卷积层、激活函
数、池化层和全连接层,并使用经ImageNet数据库训练后的参数作为初始权重,根据类别的
数量移除步骤S11中神经网络最后的全连接层,并使用新的全连接层代替以保证最终层的
节点数量为,如云平台将种类分为三类:人物、房屋和花草,则最终层改为三个节点,全连
接层中的网络权重与偏置值以正态分布随机生成。需注意的是,全连接层在这里的作用主
要是满足联邦学习的训练过程,用于检索的特征只从池化层中提取。
加入的图像拥有者作为联邦成员对卷积神经网络进行模型训练,以不断提高模型的精确度,不断优化模型的参数,能够保证结构更简单的神经网络被用于检索中。授权用户为经过平台授权拥有检索权限的用户,授权用户可以是图像拥有者,也可以不是图像拥有者。
第一轮图像拥有者加入:
S22图像拥有者根据云平台预先定义的类别对自身拥有的图像制作标签,并在本地进行神经网络的训练,直到固定轮次或模型收敛,本方案以轮次达到100轮结束训练为例;标签优选为one-hot向量编码,如云平台将图像分为三类:人物、房屋和花草,则对于一张人物图像可编码为[1, 0, 0],其余类似。
S23图像拥有者通过比较收敛时的网络权重与初始网络权重,计算总的梯度信息,并生成该梯度信息的两份加性分享,发送至双云平台;
图像拥有者同时将图像本身分成两份加性分享,发送至双云平台;图像拥有者
同时生成每张图像初始检索转换后的张量信息,并对其做加性分享,将其发
送至双云平台。其中初始检索转换为:①将图像放缩为256*256大小;②将图像转换为0到
1间的向量;③对图像进行标准化,其中均值系数为(0.4914, 0.4822, 0.4465), 标准差系
数为(0.2023, 0.1994, 0.2010);
S24双云平台根据梯度分享对权重做联邦平均算法更新;双云平台保存图
像信息的秘密分享,以等待后续用户进行检索;双云平台通过更新后的权重信息对接收
到的张量分享做密文前馈计算,并提取其最后一层池化层的特征;对池化层特征512*16*
16进行加性聚合,即求512维中256个值的和作为512维特征;使用加性聚合后的特征向量作
为比对特征;存储上述特征以等待后续用户检索时进行距离度量;
后续的图像拥有者通过重复以上步骤对网络参数更新之后的模型进行训练以再次更新模型。用户进行检索:
具体地,前述S24和S32中的密文前馈计算的计算策略包括针对全连接层和卷积层
的基于Beaver三元组的密文乘法协议,三元组由图像拥有者提供,针对激活函数
层的激活层协议,以及针对最大池化层的池化层协议。
本方案中的激活层采用ReLU函数,其实质是计算秘密分享值与0的大小关系,换言
之,需要计算值的最高比特位是0还是1。本方案创造性地设计了一个新的密文正负判断协
议,其包含三个子协议三数乘协议、密文比特比较协议和密文值比较协议,并引入协议到神经网络前馈过程,获得交互轮次
更优的结果,具体通过如下方式实现:
其中,密文正负判断协议如下:双云平台拥有值的秘密分享,阶段:①图像拥有者生成协议中涉及的子协议所需要的随机数并发送给;阶段:②协同计算;③计算,双云
平台因此得到正负号的分享值;如果,则原值为正数,否则为负数;
该方案仅需交互⌈ ⌉+ 3轮次。
密文选择协议如下:双云平台拥有比特值的分享,以及两个待选择的
数值,阶段:①图像拥有者生成一个随机比特值,以及其在与上的分享,,并发送给;②图像拥有者生成协议中涉及的子协议所需要的随机数并发送给
;阶段:③计算;④恢复;⑤如,则令;⑥计算,双云平台此时
得到秘密选择结果的分享值,如果为0,则;否则;通过
该密文选择协议能够有效避免暴露层中正值的位置信息。
其中,密文值比较协议如下:双云平台拥有值的秘密分享,阶段:①图像拥有者生成一个随机值及它的对应比特;②图像拥有者计算的分
享值及其比特位的分享值并发送给双云平台;③图像拥有者计算是否
大于(即是否出现跨域),如出现,则令,否则令;然后生成在上的分享;阶段:④计算,并判断是否大于,是则令,否则
令;⑤恢复出,并判断是否大于,是则令,否则令;⑥协同
计算出;⑥计算,计算,双云平台 因此获得是否大于的分享值,即该协议完成了;
其中,密文比特比较协议如下:双云平台拥有秘密值的所有比
特位的一份下的分享,拥有一个公共的数的比特位,拥有一个随机比
特在与下的一份分享、,以及一个随机数的秘密分享,(即为小于的正整数),阶段:①图像拥有者生成协议中涉及的子协议所需要的随
机数并发送给双云平台;阶段:②计算,,需要说明的是,这里仅需要一方
完成加1与减即可,另一方只需提供与;③计算,计算;
④,;⑤计算,此步中乘
法皆为密文乘法,使用三数乘协议与密文乘法协议完成计算;⑥如
果,则得到比特,否则得到;得到比特,
双云平台得到一个比较结果的分享值,即该协议完成了;
三数乘协议如下:双云平台拥有,阶段:①图像
拥有者生成协议中涉及的子协议所需要的随机数并发送给;②图像拥有者生成随机整数并计算;③图像拥有者计算的加性分享将加性分享分别发送给;阶段:④协同计算,,得到,
, ;⑤计算,,,并协同恢复出;⑥计
算;⑦计算,
双云平台因此获得的两份加法秘密分享,即该协议完成了。
进一步地,池化层采用最大池化层,其实质是找出四个数中的最大值;为降低
通信轮次,本方案采用并行的方式完成,即四个数中两两进行比较。优选地,本方案使用的
池化层协议为:双云平台持有待比较数据。阶段:①图
像拥有者生成协议中涉及的子协议所需要的随机数并发送给;阶段:②调用与计算与;
具体地,两个向量间的密文距离为:双云平台拥有密文向量,。阶段:①图像拥有者们生成协议中涉及的子协议所需要的随机数并发送给;阶段:②对向量元素做差,并协同计算;③计算所有距离
之和。此时已经得到了两向量间欧几里得距离平方值的秘密分享。由于平方不改变大小关
系而开方运算在密文中较为复杂,本方案直接使用平方值作为后续度量。
具体地,本方案使用一种非信息论安全的距离度量方法以快速完成大量距离的度
量。笔者注意到两张图像的距离值大小与原始的图像信息相距甚远,发现继续使用信息论
安全的比较方案开销高且无必要;注意到图像间的欧几里得距离值通常涉及范围较小,因
此,本方案使用一个随机乘法与加法对原值进行遮掩,并公开遮掩后的值,通过对遮掩后的
值进行排序,即可获得遮掩前的值的大小关系,具体为以下计算过程:
双云平台掌握有大量待比较数值的一份分享,阶段:①图像拥有者
们生成协议中涉及的子协议所需要的随机数并发送给;②图像拥有者产生一个随机正值, 一个随机值,并将其分享值发送给双云平台;值与值的生成范围预先确定并保
证的结果一定在的分享的范围内,,;阶段:
③双云平台计算,并公开的值。显然,的大小排
序等同于的大小排序。
本方案新设计了密文正负判断协议,相较于最新的研究,仅需两个互不合谋的服
务提供商,交互轮次从降到了,即实现高效、安全、实用的检索
效果;相较于最新的研究,保证了神经网络参数的信息论安全与位置安全;笔者经过实验发
现,与现有的基于预训练卷积神经网络权重的密文图像检索方案相比,在Corel1k与
Corel10k两个数据集上50张返回结果情况下精度能够提升8.93%-17.26%,如图2和图3所
示。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
需注意,本实施例中所说的图像拥有者,授权用户都不是指用户本身,而是指由图像拥有者用户、被授权用户所使用的***、软件或应用端,前述随机数的生成、基于图像分析恢复原始明文图像都是由相应***、软件或应用端进行。
尽管本文较多地使用了图像拥有者、卷积神经网络、梯度分析、张量分析、图像分享、比对特征、密文特征等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种基于联邦学习与秘密分享的多源密文图像检索方法,其特征在于,包括以下步骤:
S1.基于联邦学***台的图像拥有者为联邦成员对双云平台S i 的卷积神经网络进行模型训练;
S2.授权用户基于加法秘密分享借助双云平台完成密文图像检索。
2.根据权利要求1所述的基于联邦学习与秘密分享的多源密文图像检索方法,其特征在于,步骤S1中,图像拥有者通过以下方式训练神经网络:
S11.图像拥有者从双云平台S i 分别获取卷积神经网络的网络结构及权重信息W i 和偏置信息b i ,并恢复卷积神经网络W=W 1 +W 2 ,b=b 1 +b 2 ;
S12.对待上传图片制作标签,使用待上传图片对所述的卷积神经网络进行训练;
S13.训练结束后,将梯度信息G的两份梯度分享G 1 、G 2 ,待上传图像信息{I}的两份图像分享{I 1 }、{I 2 },待上传图像张量信息{T}的两份张量分享{T 1 }、{T 2 }均分别发送给两个云平台S 1 、S 2 ;
S14.双云平台S i 根据梯度分享G i 分别更新权重信息,使用权重更新后的网络对张量分享T i 分别进行计算得到比对特征{F i }。
3.根据权利要求2所述的基于联邦学***台S i 的全连接层的节点数量均与双云平台S i 所涉及的图像种类一致,且双云平台S i 初始网络的卷积层均使用预训练权重,全连接层的初始权重以正态分布随机生成,后续图像拥有者均通过步骤S11-S14对网络参数更新之后的模型进行再训练。
4.根据权利要求2所述的基于联邦学习与秘密分享的多源密文图像检索方法,其特征在于,步骤S2具体包括:
S21.授权用户将待查询图片转换为张量信息,并将张量信息{QT}以加法秘密分享形式分割分别发送给双云平台S i ;
S22.双云平台S i 根据张量信息的张量分享QT i 进行密文协同计算,分别得到密文特征QF i ;
S23.双云平台S i 协同对所提取的密文特征QF i 和比对特征{F i }进行距离度量,并根据度量结果将相似图像的图像信息{I i }传回给授权用户;
S24.授权用户基于两份图像分享{I i }恢复原始明文图像{I}。
5.根据权利要求4所述的基于联邦学习与秘密分享的多源密文图像检索方法,其特征在于,步骤S14中,通过以下方式得到比对特征{F i }:
S141.双云平台S i 通过权重更新后的网络对接收到的张量分享T i 做密文前馈计算,并提取最后一层池化层的特征;
S142.对池化层特征进行加性聚合;
S143.使用加性聚合后的特征向量作为比对特征{F i };
步骤S22中,通过以下方式得到密文特征QF i :
S221.双云平台S i 对接收到的张量分享QT i 做密文前馈计算,并提取最后一层池化层的特征;
S222.对池化层特征进行加性聚合;
S223.使用加性聚合后的特征向量作为密文特征QF i 。
6.根据权利要求5所述的基于联邦学习与秘密分享的多源密文图像检索方法,其特征在于,密文前馈计算的计算策略包括针对全连接层和卷积层的基于Beaver三元组的密文乘法协议SecMul,针对激活函数层的激活层协议SecReLU,以及针对最大池化层的池化层协议SecMaxpool;
7.根据权利要求6所述的基于联邦学***台拥有值a的分享,offline阶段:①图像拥有者生成随机数并发送给S i ;online阶段:②S i 计算SecSgn(a)=b i ;③S i 计算SS(b i ,a,0);
其中,密文正负判断协议SecSgn如下:双云平台S i 拥有值a的秘密分享a i ,offline阶段:
①图像拥有者生成随机数并发送给S i ;online阶段:②S i 协同计算SecCmp(2*a i )=b i ;③S i 计
算;
密文选择协议SS如下:双云平台S i 拥有比特值b的分享,以及两个待选择的数值x、y,offline阶段:①图像拥有者生成一个随机比特值c,以及其在Z 2 与Z L 上的分享,c i ,
并发送给S i ;②图像拥有者生成随机数并发送给S i ;online阶段:③S i 计算;④S i 恢复e;⑤如e=1,则S 1 令c 1 =1-c 1 ,S 2 令c 2 =-c 2 ;⑥S i 计算res i = SecMul(y i -x i ,c i )+x i ;
其中,密文值比较协议SecCmp如下:双云平台S i 拥有值a的秘密分享a i ,offline阶段:①
图像拥有者生成一个随机值x及它的对应比特;②图像拥有者计算x的分享值x i 及其比特位
的分享值并发送给双云平台S i ;③图像拥有者计算x 1 +x 2是否大于L,如是,则令,否则令;然后生成在Z 2上的分享;online阶段:④S i 计算,并判断是否大于L,是则令,否则令;⑤S i 恢复出r,并判
断r 1 +r 2是否大于L,是则令,否则令;⑥S i 协同计算出;⑥S 1计算 ,S 2计算;
8.根据权利要求7所述的基于联邦学习与秘密分享的多源密文图像检索方法,其特征在于,
所述的密文乘法协议SecMu为:双云平台S i 拥有u i ,v i ,offline阶段:①图像拥有者生成
随机数a,b,c,满足c=ab;然后对a,b,c进行加性分解,并将(a i ,b i ,c i )发送给双云平台S i ;online阶段:②S i 计算;③S i 共享与;④S i 计算,f 1 +f 2 =uv;
三数乘协议SecThreeMul为:双云平台S i 拥有x i ,y i ,z i ,offline阶段:①图像拥有者生成随机数并发送给S i ;②图像拥有者生成随机整数a,b,c并计算d=abc;③图像拥有者计算并将a,b,c,d的秘密分享发送给S i ;online阶段:④S i 协同计算SecMul(x i ,y i ),SecMul(x i ,z i ),SecMul(y i ,z i )得到xy i ,xz i ,yz i ;⑤S i 计算e i =x i -a i ,f i =y i -b i ,g i =z i -c i ,并协同恢复出e,f,g;
所述的池化层为最大池化层,且池化层协议SecMaxpool为:双云平台S i 持有待比较数据x i ,y i ,z i ,t i ;offline阶段:①图像拥有者生成协议中涉及的子协议所需要的随机数并发送给S i ;online阶段:②S i 调用SecSgn与SS计算max(x i ,y i )与max(z i ,t i );③S i 调用SecSgn与SS计算max(max(x i ,y i ),max(z i ,t i ))。
9.根据权利要求8所述的基于联邦学***台S i 拥有密文向量{x i },{y i },offline阶段:①图像拥有者们生成协议中涉及的子协议所需要的随机数并发送给S i ;online阶段:②S i 对向量元素做差,并协同计算SecMul(x i -y i ,x i -y i );③计算所有向量值之和;双云平台S i 此时得到两向量欧几里得距离平方值的秘密分享。
10.根据权利要求8所述的基于联邦学***台S i 掌握有大量待比较数值的一份分享{x i },offline阶段:①图像拥有者们生成协议中涉及的子协议所需要的随机数并发送给S i ;②图像拥有者产生一个随机正值k,一个随机值b,并将其分享值发送给双云平台S i ;k值与b值的生成范围预先确定并保证kx+b的结果一定在x的分享的范围内;online阶段:③双云平台S i 计算SecMul(k i ,{x i })+b i ,并公开{kx+b}的值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111641508.6A CN113987255B (zh) | 2021-12-30 | 2021-12-30 | 基于联邦学习与秘密分享的多源密文图像检索方法 |
NL2033745A NL2033745B1 (en) | 2021-12-30 | 2022-12-16 | Multi-source encrypted image retrieval method based on federated learning and secret sharing |
US18/084,965 US11750377B2 (en) | 2021-12-30 | 2022-12-20 | Multi-source encrypted image retrieval method based on federated learning and secret sharing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111641508.6A CN113987255B (zh) | 2021-12-30 | 2021-12-30 | 基于联邦学习与秘密分享的多源密文图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113987255A true CN113987255A (zh) | 2022-01-28 |
CN113987255B CN113987255B (zh) | 2022-04-01 |
Family
ID=79734921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111641508.6A Active CN113987255B (zh) | 2021-12-30 | 2021-12-30 | 基于联邦学习与秘密分享的多源密文图像检索方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11750377B2 (zh) |
CN (1) | CN113987255B (zh) |
NL (1) | NL2033745B1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401154A (zh) * | 2022-03-24 | 2022-04-26 | 华控清交信息科技(北京)有限公司 | 一种数据处理方法、装置、密文计算引擎和用于数据处理的装置 |
CN115189878A (zh) * | 2022-09-08 | 2022-10-14 | 蓝象智联(杭州)科技有限公司 | 一种基于秘密分享的共享数据排序方法及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118036081B (zh) * | 2024-04-12 | 2024-07-16 | 北京电子科技学院 | 一种基于门限与同态加密的图像处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111711645A (zh) * | 2020-08-19 | 2020-09-25 | 华控清交信息科技(北京)有限公司 | 一种数据处理方法、装置和用于数据处理的装置 |
CN111985649A (zh) * | 2020-06-22 | 2020-11-24 | 华为技术有限公司 | 基于联邦学习的数据处理方法和装置 |
CN112101403A (zh) * | 2020-07-24 | 2020-12-18 | 西安电子科技大学 | 基于联邦少样本网络模型的分类方法、***及电子设备 |
CN112183730A (zh) * | 2020-10-14 | 2021-01-05 | 浙江大学 | 一种基于共享学习的神经网络模型的训练方法 |
US20210158933A1 (en) * | 2019-11-27 | 2021-05-27 | GE Precision Healthcare LLC | Federated, centralized, and collaborative medical data management and orchestration platform to facilitate healthcare image processing and analysis |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9700276B2 (en) * | 2012-02-28 | 2017-07-11 | Siemens Healthcare Gmbh | Robust multi-object tracking using sparse appearance representation and online sparse appearance dictionary update |
US10423985B1 (en) * | 2015-02-09 | 2019-09-24 | Twitter, Inc. | Method and system for identifying users across mobile and desktop devices |
WO2018174873A1 (en) * | 2017-03-22 | 2018-09-27 | Visa International Service Association | Privacy-preserving machine learning |
US11108856B2 (en) * | 2018-08-31 | 2021-08-31 | Nakamoto & Turing Labs Inc | Methods and apparatus for performing distributed computing using blockchain |
US11556846B2 (en) * | 2018-10-03 | 2023-01-17 | Cerebri AI Inc. | Collaborative multi-parties/multi-sources machine learning for affinity assessment, performance scoring, and recommendation making |
US20200366459A1 (en) * | 2019-05-17 | 2020-11-19 | International Business Machines Corporation | Searching Over Encrypted Model and Encrypted Data Using Secure Single-and Multi-Party Learning Based on Encrypted Data |
JP2022549806A (ja) * | 2019-09-23 | 2022-11-29 | プレサーゲン プロプライアトリー リミテッド | 非集中型人工知能(ai)/機械学習トレーニングシステム |
US20220415059A1 (en) * | 2019-11-15 | 2022-12-29 | Nvidia Corporation | Multi-view deep neural network for lidar perception |
CN113688855B (zh) * | 2020-05-19 | 2023-07-28 | 华为技术有限公司 | 数据处理方法、联邦学习的训练方法及相关装置、设备 |
US20210374502A1 (en) * | 2020-06-01 | 2021-12-02 | Nvidia Corporation | Technique to perform neural network architecture search with federated learning |
JP2023531330A (ja) * | 2020-06-25 | 2023-07-24 | エヌビディア コーポレーション | マシン学習を使用した自律マシン・アプリケーションのためのセンサ融合 |
US11983655B2 (en) * | 2021-02-24 | 2024-05-14 | International Business Machines Corporation | Method, system, and media for machine learning annotation and image marketplace using blockchain ledgers |
US20220284232A1 (en) * | 2021-03-01 | 2022-09-08 | Nvidia Corporation | Techniques to identify data used to train one or more neural networks |
US20220300618A1 (en) * | 2021-03-16 | 2022-09-22 | Accenture Global Solutions Limited | Privacy preserving cooperative learning in untrusted environments |
US20220366220A1 (en) * | 2021-04-29 | 2022-11-17 | Nvidia Corporation | Dynamic weight updates for neural networks |
US20220375134A1 (en) * | 2021-05-06 | 2022-11-24 | Intelligent Fusion Technology, Inc. | Method, device and system of point cloud compression for intelligent cooperative perception system |
US11830167B2 (en) * | 2021-06-21 | 2023-11-28 | Ping An Technology (Shenzhen) Co., Ltd. | System and method for super-resolution image processing in remote sensing |
-
2021
- 2021-12-30 CN CN202111641508.6A patent/CN113987255B/zh active Active
-
2022
- 2022-12-16 NL NL2033745A patent/NL2033745B1/en active
- 2022-12-20 US US18/084,965 patent/US11750377B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210158933A1 (en) * | 2019-11-27 | 2021-05-27 | GE Precision Healthcare LLC | Federated, centralized, and collaborative medical data management and orchestration platform to facilitate healthcare image processing and analysis |
CN111985649A (zh) * | 2020-06-22 | 2020-11-24 | 华为技术有限公司 | 基于联邦学习的数据处理方法和装置 |
CN112101403A (zh) * | 2020-07-24 | 2020-12-18 | 西安电子科技大学 | 基于联邦少样本网络模型的分类方法、***及电子设备 |
CN111711645A (zh) * | 2020-08-19 | 2020-09-25 | 华控清交信息科技(北京)有限公司 | 一种数据处理方法、装置和用于数据处理的装置 |
CN112183730A (zh) * | 2020-10-14 | 2021-01-05 | 浙江大学 | 一种基于共享学习的神经网络模型的训练方法 |
Non-Patent Citations (4)
Title |
---|
PAYMAN MOHASSEL等: "《SecureML: A System for Scalable Privacy-Preserving Machine Learning》", 《2017 IEEE SYMPOSIUM ON SECURITY AND PRIVACY (SP)》 * |
程国华: "《云环境下基于内容的多源加密图像检索技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
董业等: "基于秘密分享和梯度选择的高效安全联邦学习", 《计算机研究与发展》 * |
蒋瀚等: "《隐私保护机器学习的密码学方法》", 《电子与信息学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401154A (zh) * | 2022-03-24 | 2022-04-26 | 华控清交信息科技(北京)有限公司 | 一种数据处理方法、装置、密文计算引擎和用于数据处理的装置 |
CN115189878A (zh) * | 2022-09-08 | 2022-10-14 | 蓝象智联(杭州)科技有限公司 | 一种基于秘密分享的共享数据排序方法及电子设备 |
CN115189878B (zh) * | 2022-09-08 | 2022-12-23 | 蓝象智联(杭州)科技有限公司 | 一种基于秘密分享的共享数据排序方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113987255B (zh) | 2022-04-01 |
NL2033745A (en) | 2023-07-04 |
US11750377B2 (en) | 2023-09-05 |
NL2033745B1 (en) | 2024-01-30 |
US20230216668A1 (en) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113987255B (zh) | 基于联邦学习与秘密分享的多源密文图像检索方法 | |
Yin et al. | See through gradients: Image batch recovery via gradinversion | |
Zhang et al. | Deep cascade model-based face recognition: When deep-layered learning meets small data | |
CN113609398A (zh) | 一种基于异构图神经网络的社交推荐方法 | |
CN112712418B (zh) | 推荐商品信息的确定方法和装置、存储介质及电子设备 | |
CN113516133B (zh) | 一种多模态图像分类方法及*** | |
CN111291170A (zh) | 一种基于智能客服的会话推荐方法及相关装置 | |
CN112232325A (zh) | 样本数据处理方法和装置、存储介质及电子设备 | |
CN115660050A (zh) | 一种高效隐私保护的鲁棒联邦学习方法 | |
CN110263232B (zh) | 一种基于广度学习和深度学习的混合推荐方法 | |
Kekre et al. | Vector quantized codebook optimization using k-means | |
Xia et al. | Privacy-preserving image retrieval based on additive secret sharing | |
CN112580011B (zh) | 一种面向生物特征隐私保护的人像加解密*** | |
CN116383470B (zh) | 一种具有隐私保护的图像搜索方法 | |
CN114003961A (zh) | 一种具有隐私性保护的深度神经网络推理方法 | |
CN115134471A (zh) | 图像加密、解密方法以及相关设备 | |
CN114996566A (zh) | 一种面向工业互联网平台的智能推荐***及方法 | |
CN115130568A (zh) | 支持多参与方的纵向联邦Softmax回归方法及*** | |
CN117076090B (zh) | 任务模型的构建方法、装置、设备及计算机可读存储介质 | |
CN114969783B (zh) | 一种隐私保护的群智感知数据恢复方法及*** | |
Miao et al. | Progressive transmission based on wavelet used in mobile visual search | |
CN112862001B (zh) | 一种联邦学习下去中心化数据建模的隐私保护方法及*** | |
CN115618395A (zh) | 一种保护隐私的轻量级的nlp预测方法及*** | |
Liu et al. | A BRMF-based model for missing-data estimation of image sequence | |
CN118296171A (zh) | 基于自步学习加权的在线图像哈希检索方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 314000 Building 29, Xianghu villa, Qixing street, Nanhu District, Jiaxing City, Zhejiang Province Patentee after: Nanhu Laboratory Address before: 314000 Building 29, Xianghu villa, Qixing street, Nanhu District, Huzhou City, Zhejiang Province Patentee before: Nanhu Laboratory |