[发明专利]隐私机器学习模型生成、训练方法、装置及电子设备

权利要求书

1.一种隐私机器学习模型生成方法，其特征在于，包括：

获取明文机器学习模型中的静态优化器；

执行所述静态优化器，以将所述明文机器学习模型中的原生明文算子替换为密码算子，从而生成隐私机器学习模型；

其中，所述静态优化器根据密码算子优化器类创建，所述密码算子优化器类派生于所述明文机器学习框架的原生优化器类，所述明文机器学习模型基于明文机器学习框架生成。

2.如权利要求1所述的隐私机器学习模型生成方法，其特征在于，所述密码算子包括以下中的任意一种：

安全多方计算算子；

同态加密算子；

零知识证明算子。

3.如权利要求1所述的隐私机器学习模型生成方法，其特征在于，所述将所述明文机器学习模型中的原生明文算子替换为密码算子，包括：

将明文机器学习模型中的原生静态图替换为密码静态图。

4.如权利要求3所述的隐私机器学习模型生成方法，其特征在于，所述将明文机器学习模型中的原生静态图替换为密码静态图，包括：

从明文机器学习模型的变量集合中获取损失函数返回的变量名称；

确认所述损失函数返回的变量名称是否位于目标模型的变量集合中；

当所述损失函数返回的变量名称位于目标模型的变量集合中时，在所述目标模型的静态图中根据所述损失函数返回的变量名称获取张量并返回。

5.如权利要求4所述的隐私机器学习模型生成方法，其特征在于，所述将明文机器学习模型中的原生静态图替换为密码静态图，还包括：

当所述损失函数返回的变量名称未位于目标模型的变量集合中时，确认所述损失函数所返回变量的类型；

根据所述损失函数所返回变量的类型，将所述明文机器学习模型中的原生静态图替换为密码静态图。

6.如权利要求5所述的隐私机器学习模型生成方法，其特征在于，所述根据所述损失函数所返回变量的类型，将所述明文机器学习模型中的原生静态图替换为密码静态图，包括：

当所述损失函数所返回变量的类型为张量类型时，获取该张量的张量名称；

确认所述张量名称是否为占位符；

当所述张量名称是占位符时，返回该张量。

7.如权利要求6所述的隐私机器学习模型生成方法，其特征在于，所述根据所述损失函数所返回变量的类型，将所述明文机器学习模型中的原生静态图替换为密码静态图，还包括：

当所述张量名称不是占位符时，对该张量所属的原生算子进行递归替换，并返回替换后形成的新算子；

获取该张量的输出索引值，并从所述新算子中使用所述输出索引值获取输出边张量并返回。

8.如权利要求5所述的隐私机器学习模型生成方法，其特征在于，所述根据所述损失函数所返回变量的类型，将所述明文机器学习模型中的原生静态图替换为密码静态图，还包括：

当所述损失函数所返回变量的类型为算子类型时，对该算子对应的边进行递归替换，并返回替换后形成的新算子对应的边；

确认该算子对应的数据流中是否包含目标模型的模型私有数据；

当该算子对应的数据流中包含目标模型的模型私有数据时，以所述新算子对应的边作为参数，调用密码算子创建函数创建对应的密码算子，并返回所述密码算子。

9.如权利要求8所述的隐私机器学习模型生成方法，其特征在于，所述根据所述损失函数所返回变量的类型，将所述明文机器学习模型中的原生静态图替换为密码静态图，还包括：

当该算子对应的数据流中未包含目标模型的模型私有数据时，将所述明文机器学习模型的算子深度拷贝至所述目标模型中，并返回深度拷贝的算子。

10.如权利要求5所述的隐私机器学习模型生成方法，其特征在于，所述根据所述损失函数所返回变量的类型，将所述明文机器学习模型中的原生静态图替换为密码静态图，还包括：

当所述损失函数所返回变量的类型不是张量类型也不是算子类型时，抛出错误。