一种深度学习数据隐私保护方法、系统、设备和介质与流程

技术特征：
1.一种深度学习数据隐私保护方法，其特征在于，包括如下步骤：加载原始训练数据集和深度学习模型；为原始训练数据集中的隐私信息赋予隐私保护权重，构建隐私重要性矩阵；在所述训练数据中配置全局噪声强度和生成器参数以构建噪声生成器；根据隐私重要性矩阵构建的损失函数训练所述噪声生成器；将原始训练数据集中的所有原始训练数据通过噪声生成器进行加噪生成加噪数据集；使用加噪数据集对所述深度学习模型进行训练以形成具有隐私保护特性的深度学习模型。2.如权利要求1所述的深度学习数据隐私保护方法，其特征在于，根据隐私重要性矩阵构建的损失函数训练所述噪声生成器的具体步骤为：选取所述原始训练数据集中的一组原始训练数据特征；根据损失函数计算噪声生成器的损失值；计算所述损失值对噪声生成器的参数的导数；根据所述导数更新噪声生成器的参数；重复上述步骤，直到达到指定的迭代次数。3.如权利要求1或2所述的深度学习数据隐私保护方法，其特征在于，所述损失函数如下式： ，其中，f为用原始训练数据集训练而成的深度学习模型，x为所选训练数据集的特征，f(x)指的是输入x得到模型输出并经过softmax函数的结果，g为用参数构成的噪声生成器，表示依据输入x所生成的数据噪声，为全局噪声强度，为隐私重要性矩阵。4.如权利要求1所述的深度学习数据隐私保护方法，其特征在于，在使用加噪数据集对所述深度学习模型进行训练之前，还包括如下步骤：使用原始训练数据对深度学习模型进行训练。5.如权利要求1-2、4任一项所述的深度学习数据隐私保护方法，其特征在于，在将原始训练数据集中的所有原始训练数据通过噪声生成器进行加噪生成加噪数据集之后，还包括如下步骤：将所述加噪数据集中的加噪数据进行可视化，根据加噪数据的隐私保护情况调节隐私重要性矩阵和/或噪声生成器的参数。6.如权利要求1-2、4任一项所述的深度学习数据隐私保护方法，其特征在于，构建隐私重要性矩阵的具体步骤如下：通过标记全局重点隐私保护的原始训练数据的特征或属性中的权重来构建隐私重要性矩阵；或，手动对原始训练数据中的部分重点区域赋予隐私保护权重，来构建出相应的隐私重要性矩阵。7.一种深度学习数据隐私保护系统，其特征在于，包括：资源加载模块，加载原始训练数据集和深度学习模型；
隐私重要性配置模块，为原始训练数据集中的隐私信息赋予隐私保护权重，构建隐私重要性矩阵；噪声生成器构建模块，在所述训练数据中配置全局噪声强度和生成器参数以构建噪声生成器；根据隐私重要性矩阵构建的损失函数训练所述噪声生成器；数据转换模块，将原始训练数据集中的所有原始训练数据通过噪声生成器进行加噪生成加噪数据集；模型构建模块，使用加噪数据集对所述深度学习模型进行训练以形成具有隐私保护特性的深度学习模型。8.如权利要求7所述的深度学习数据隐私保护系统，其特征在于，所述系统还包括数据可视化模块，所述数据可视化模块用于将加噪数据集中的加噪数据进行可视化，根据加噪数据的隐私保护情况调节隐私重要性矩阵和/或噪声生成器的参数。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的深度学习数据隐私保护方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至6任一项所述的深度学习数据隐私保护方法的步骤。

技术总结
本公开涉及一种深度学习数据隐私保护方法、系统、设备和介质，所述方法包括如下步骤：加载原始训练数据集和深度学习模型；为原始训练数据集中的隐私信息赋予隐私保护权重，构建隐私重要性矩阵；在所述训练数据中配置全局噪声强度和生成器参数以构建噪声生成器；根据隐私重要性矩阵构建的损失函数训练所述噪声生成器；将原始训练数据集中的所有原始训练数据通过噪声生成器进行加噪生成加噪数据集；使用加噪数据集对所述深度学习模型进行训练以形成具有隐私保护特性的深度学习模型。本公开构建了噪声生成器的目标函数和参数训练方法，实现了最大化训练数据所添加的噪声强度的同时，最小化模型性能差异，自动地均衡模型可行性和隐私保护强度。隐私保护强度。隐私保护强度。


技术研发人员：郑飞州
受保护的技术使用者：广州中平智能科技有限公司
技术研发日：2022.06.21
技术公布日：2022/7/22