公开(公告)号：CN117993000A

公开(公告)日：2024-05-07

申请号：CN202310461659.6

申请日：2023-04-26

Applicant: 福建工程学院

Inventor： 章静 ,  曾钻洋 ,  黄其涵 ,  黄一睿 ,  李彪

IPC: G06F21/62 ,  G06F18/241 ,  G06Q50/00

Abstract: 本发明涉及一种熵驱动的基于社交图元属性的差分隐私保护方法，其特征在于，包括以下步骤：步骤S1:获取社交网络原图；步骤S2:基于社交网络原图，根据节点的属性值相似度计算节点之间的属性亲密度，构建属性亲密度矩阵；步骤S3:在属性亲密度矩阵的基础上对社交网络划分社区结构，并选取社交网络种子节点；步骤S4:基于差分隐私的图数据安全发布算法，挖掘种子节点重要社交图元结构，利用图修改技术对其结构进行变动后结合差分隐私技术对图元结构的边亲密度扰动，完成图数据结构的隐私保护，最后转化为不确定图进行发布。本发明实现社交网络图数据的安全发布。

公开(公告)号：CN117807622A

公开(公告)日：2024-04-02

申请号：CN202310461669.X

申请日：2023-04-26

Applicant: 福建工程学院

Inventor： 章静 ,  黄其涵 ,  黄一睿 ,  曾钻洋 ,  李彪

IPC: G06F21/62 ,  G06F18/2337 ,  G06N20/00 ,  G01S19/42

Abstract: 本发明涉及一种基于联邦学习满足本地化差分隐私的TMI系统，包括服务器和客户端；所述客户端在本地训练隐私增强的联邦学习模型，并通过协议与服务器交换更新的参数，服务器将这些参数聚集起来进行计算，并将计算结果发送给参与的客户端；所述隐私增强的联邦学习模型将在客户端提取用户轨迹的运动特征作为数据样本来替代原始数据进行训练；所述隐私增强的联邦学习模型在训练前，数据样本信息进行模糊聚类；采用LDP技术来对样本数据进行联合训练隐私增强的联邦学习模型。本发明有效降低联邦学习通信成本，并能够增强模型梯度的隐私性。