[发明专利]一种基于生成对抗网络的情绪差分隐私保护方法

说明书

本发明公开了一种基于生成对抗网络的情绪差分隐私保护方法，能够对语句和图像进行检索，并改变语句和图像中人物的情绪，从而实现对于情绪主题的隐私保护。该方法能够对情绪隐私保护对象进行类型判别，分为语句保护与图像保护；该方法可对语句保护对象进行分词、情绪识别、构建文本对抗生成网络TextGAN进行语句生成并对情绪再判定，进而实现语句对象的情绪隐私保护；该方法可对图像保护对象进行裁剪、特征提取并降维、表情分类、构建StarGAN进行面部属性编辑并对表情进行再判定，进而生成逼真的面部图像，实现图像主体的情绪隐私保护；该方法具有良好的泛用性和可迁移性，无需依赖额外设备，能够显著地提升隐私保护效果。

技术领域

本发明涉及差分隐私保护技术领域，具体涉及一种基于生成对抗网络的情绪差分隐私保护方法。

背景技术

近年来，生成对抗网络在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，受到了越来越多研究者的关注。深度学习通过神经网络的分层处理，将低层特征组合成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，其模型性能与训练数据集的规模和质量密切相关，而训练数据集中通常包含较多的敏感信息，攻击者通过一定的攻击手段可以还原出训练数据集，从而使得用户隐私信息泄露.例如:公安机关发布犯罪嫌疑人识别模型，其训练数据集包含全国人口图像信息，当攻击者使用某一攻击手段还原出训练数据集中的图像时，会使个人敏感信息泄露.因此，如何在不泄露个人敏感信息的前提下提升数据可用性，是当前深度学习应用面临的主要问题，将极大影响深度学习未来的发展.

目前，关于敏感信息保护问题的研究的前提主要是基于攻击者对于攻击者对用户背景知识的掌握程度，在此条件下攻击者可以进行身份链接攻击、属性链接攻击、成员链接攻击等隐私攻击，因此，相关学者提出了k匿名、l-多样性以及相关的方法，该类方法通过泛化或抑制用户敏感属性并修改数据集中的原始信息的策略，从而达到保护用户隐私的目的，而深度学习模型主要通过提取并抽象训练数据集中的特征，并不改变数据集的原始信息，因此，与传统方法融合时存在较大难度。前几年，Reza等设计了一个深层的神经网络分布式系统实现了训练数据集的隐私保护，该过程使得参与者可以保留其各自数据的隐私。Matt等人的模型反演攻击可以利用去噪自编码网络还原训练集中的原始信息；Ian等利用生成对抗网络GAN生成与训练数据集相近的数据。为了解决模型反演攻击，Nhat等提出查分隐私自编码方法，该方法利用差分隐私理论来扰乱深度自动编码器中目标函数，在数据重建过程中添加噪声从而使得训练数据集的一保护。NIcolas等提出了一种教师-学生模式的深度网络隐私方法，该方法包含多个由敏感信息数据集训练的教师深度模型以及一个由GAN模型就生成的用于预测的学生模型，学生模型是利用教师模型在投票时结合差分隐私理论选出较优的预测结果，使用者利用学生模型进行预测，教师模型不公布，从而达到保护训练数据集的目的。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

现有技术的方法，均无法实现对于语句的隐私保护，

也就是说，现有技术中存在隐私保护效果不佳的技术问题。

发明内容

有鉴于此，本发明提供了一种基于LSTM和随机森林混合模型的电力通信业务可靠性评估预测方法及装置，用以解决或者至少部分解决现有技术中存在的隐私保护效果不佳的技术问题。

为了解决上述技术问题，本发明第一方面提供了一种基于生成对抗网络的情绪差分隐私保护方法，包括：

S1：接收隐私保护数据；

S2：识别隐私保护数据的类型并进行向量化，当隐私保护数据的类型为文本时执行步骤S3，当隐私保护数据的类型为图片时执行步骤S4；

S3：利用预设分词算法对文字类型的数据进行分词后，通过情绪分类器进行情绪类型识别，然后构建文本对抗生成网络，生成目标语句并进行隐私保护；