[发明专利]一种基于深度学习的服务提供系统及方法有效
| 申请号： | 201910190346.5 | 申请日： | 2019-03-13 |
| 公开（公告）号： | CN110084365B | 公开（公告）日： | 2023-08-11 |
| 发明（设计）人： | 裴庆祺;闫玉双;王磊;李红宁 | 申请（专利权）人： | 西安电子科技大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/0464 |
| 代理公司： | 西安长和专利代理有限公司 61227 | 代理人： | 黄伟洪 |
| 地址： | 710071 陕西省*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于边缘数据信息计算领域，公开了一种基于深度学习的服务提供系统及方法，保护训练数据的隐私同时提高边缘端服务质量。在云服务器端，结合差分隐私机制生成隐私的压缩深度学习模型：在隐私稠密训练中生成具有隐私保护的全连接深度学习模型，保护训练数据的隐私；在隐私压缩训练中，通过剪切具有隐私保护的全连接深度学习模型，生成具有隐私保护的压缩深度学习模型，保护训练数据的隐私。由于隐私压缩模型大小可缩小为原模型大小的1/9，因此非常适合嵌入边缘服务器，邻近移动设备通过访问边缘服务器，提高边缘服务质量。 | ||
| 搜索关键词： | 一种 基于 深度 学习 服务 提供 系统 方法 | ||
【主权项】：
1.一种基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法，在云端服务器生成隐私压缩深度学习模型，将隐私压缩深度学习模型部署到边缘服务器，一方面保护训练数据的隐私，一方面为邻近物联网设备提供服务，其特征在于，所述基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法，具体包括：进行隐私稠密训练，在训练过程中，结合差分隐私机制，生成具有(ε1,δ)‑差分隐私保护的全连接深度学习模型，保护训练数据的隐私；进行隐私压缩训练，通过剪切具有(ε1,δ)‑差分隐私保护的全连接深度学习模型的低权重的网络连接，只在最后一次剪切操作后，在再训练过程中结合差分隐私机制，形成小规模的具有(ε2,δ)‑差分隐私保护的压缩深度学习模型，保护训练数据的隐私。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安电子科技大学，未经西安电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910190346.5/，转载请声明来源钻瓜专利网。
