申请/专利权人：深度来源公司

申请日：2019-07-19

公开（公告）日：2024-04-23

公开（公告）号：CN111373403B

主分类号：G06F21/62

分类号：G06F21/62;G06F21/60;G06N3/04;G06N3/08;G06N20/00

优先权：["20180726 KR 10-2018-0086929"]

专利状态码：有效-授权

法律状态：2024.04.23#授权;2020.07.28#实质审查的生效;2020.07.03#公开

摘要：本发明提供一种学习用于隐藏Concealing原始数据以保护个人信息的混淆网络ObfuscationNetwork的方法，所述方法包括：学习装置指示混淆网络对输入的训练数据进行混淆，将混淆后的训练数据输入到学习网络中，并使学习网络将网络运算应用于混淆后的训练数据，从而生成第1特征信息；使学习网络将网络运算应用于输入的训练数据，从而生成第2特征信息；以及学习混淆网络，以使通过参考将第1特征信息和第2特征信息作为参考而获得的错误与将任务特定输出TaskSpecificOutput和其对应的真实数据GroundTruth作为参考而获得的错误中的至少一部分来计算出的错误最小化，并使通过参考训练数据和混淆的训练数据来计算出的错误最大化。

主权项：1.一种用于隐藏原始数据以保护个人信息的混淆网络的学习方法，所述方法包括：步骤a、当获取到训练数据x时，学习装置将所述训练数据x输入到混淆网络中，以使所述混淆网络对所述训练数据x进行混淆，从而生成混淆的训练数据x’；步骤b、所述学习装置用于以下步骤：将所述混淆的训练数据x’输入到具有至少一个学习参数的学习网络中，以使所述学习网络用所述学习参数将网络运算应用于所述混淆的训练数据x’，从而生成与所述混淆的训练数据x’相对应的第1特征信息，以及将所述训练数据x输入到所述学习网络中，以使所述学习网络用所述学习参数将网络运算应用于所述训练数据x，从而生成与所述训练数据x相对应的第2特征信息；以及步骤c、所述学习装置学习所述混淆网络，以对通过参考以下中的至少一部分来计算出的至少一个第1错误进行最小化：将所述第1特征信息和所述第2特征信息作为参考而获得的至少一个第1_1错误、以及将使用所述第1特征信息来生成的任务特定输出和与所述任务特定输出对应的至少一个真实数据作为参考而获得的至少一个第1_2错误；并对通过参考所述训练数据x和所述混淆的训练数据x’来计算出的至少一个第2错误进行最大化，其中，所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络至第n学习网络，其中，当所述n为1或更大的整数时，在所述步骤b中，所述学习装置用于以下步骤：将所述混淆的训练数据x’输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述混淆的训练数据x’，从而输出关于所述混淆的训练数据x’的每个第1_1特征信息至第1_n特征信息，以及将所述训练数据x输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据x，从而输出关于所述训练数据x的每个第2_1特征信息至第2_n特征信息，在所述步骤c中，所述学习装置学习所述混淆网络，以对通过参考以下中的至少一部分来计算出的所述第1错误进行最小化：将所述第1_1特征信息和所述第2_1特征信息作为参考而获得的第1_1_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第1_1_n错误的平均值的所述第1_1错误、以及将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第1_2_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和与所述第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第1_2_n错误的平均值的所述第1_2错误；并对通过参考所述训练数据x和所述混淆的训练数据x’来计算出的所述第2错误进行最大化。

全文数据：

权利要求：

百度查询： 深度来源公司 一种用于隐藏原始数据以保护个人信息的混淆网络的学习方法和测试方法，以及其学习装置和测试装置

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