申请/专利权人：重庆邮电大学

申请日：2022-06-10

公开（公告）日：2022-09-13

公开（公告）号：CN115049072A

主分类号：G06N20/00

分类号：G06N20/00;G06F21/62;G06F17/10

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2024.03.01#发明专利申请公布后的驳回;2022.09.30#实质审查的生效;2022.09.13#公开

摘要：本发明涉及一种在二分类中同时实现差分隐私和机器学习公平的方法，属于机器学习领域。将隐私和公平需求转化为一个多目标优化问题。首先，根据安全需求设置隐私保护强度及相关超参数；随后通过加权将反事实公平加入到目标函数中；接着将得到的新目标函数用泰勒公式展开，计算全局敏感度；然后根据得到的全局敏感度和隐私保护强度生成符合要求的高斯噪声；最后，使用得到的噪声扰动目标函数的多项式系数并执行梯度下降，计算最优权重。解决了在二分类中没有同时实现隐私和机器学习公平的问题。

主权项：1.一种在二分类中同时实现差分隐私和机器学习公平的方法，其特征在于：该方法包括以下步骤：步骤S1，数据预处理；包括以下步骤：步骤S1-1，首先对数据集执行one-hot编码，然后将数据集的多值属性拆解成多个二值属性，得到新的特征x1，x2...xd；步骤S1-2，对新的数据集执行标准化操作；让数据集的均值为0；假设数据集中包含n条数据，均值x＝x-u；步骤S1-3，让数据集的方差为1，x＝xσ；步骤S2，设置相关参数；包括以下步骤：步骤S2-1，根据隐私保护需求设置相应的隐私保护强度∈；步骤S2-2，根据精度及公平需求设置平衡超参数α；步骤S3，生成新的目标函数；包括以下步骤：步骤S3-1，生成公平约束；假设ti表示数据集中的一条记录，原目标函数为fω，ti，预测结果为y′，实际结果为y；敏感属性为s；s＝0表示非代表性属性，s＝1表示代表性属性；则反事实公平约束con表示为：con＝y′|s＝0-0.5*y′|s＝1-0.5步骤S3-2，将公平性约束加权到目标函数上；用超参数α调节精度与公平性约束之间的平衡；当g小于0时，表示在现实世界和反事实世界中的预测结果一致；则新的目标函数为步骤S4，验证连续可微分性；验证目标函数的连续可微分性，如果满足连续可微，执行步骤5，否则结束；步骤S5，展开目标函数；根据Stone-Weierstrass定理，任何连续可微分的函数fx由一个多项式Axn+Bxn-1...+Kx1+bX0来表示；函数fx在x＝x0处的泰勒展开式表示为： 将新的目标函数在x＝0处进行展开，得到的多项式目标函数 步骤S6，计算目标函数的全局敏感度Δf，包括以下步骤：步骤S7，噪声加入；向多项式目标函数的系数中加入高斯噪声；设则扰动后的多项式系数为：步骤S8，对目标函数执行梯度下降操作；根据得到的噪声多项式函数计算梯度，执行梯度下降操作；重复此步骤，直到函数收敛；得到满足差分隐私和机器学习公平的权重；步骤S9，模型发布；不断调节超参数α，平衡模型精度与安全性之间的关系，当同时达到要求精度和安全需求后，发布模型。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种在二分类中同时实现差分隐私和机器学习公平的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD