[發明專利]基于隱私保護的深度學習方法、系統、服務器及存儲介質

在審

• 申請號: 202010092513.5
• 申請日: 2020-02-12
• 公開（公告）號: CN111325322A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 劉利;郭鵬程
• 申請（專利權）人: 深圳壹賬通智能科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 黃嗣童

本發明涉及神經網絡技術領域，公開了一種基于隱私保護的深度學習方法、系統、服務器及存儲介質，所述方法應用于服務器，包括：將已訓練的深度學習模型中的特征提取模塊發送至移動終端，以使所述移動終端將待處理數據輸入至所述特征提取模塊中，獲得待處理數據對應的特征信息，并反饋所述特征信息；將移動終端反饋的所述特征信息輸入至已訓練的深度學習模型中的結果生成模塊，輸出結果，并將所述結果發送至所述移動終端。本發明解決了現有利用設置在云端或服務器的深度學習框架進行深度學習會導致隱私信息泄露的問題。

技術領域

本發明涉及神經網絡技術領域，尤其涉及一種基于隱私保護的深度學習方法、系統、服務器及計算機可讀存儲介質。

背景技術

在人工智能技術中，深度學習是一種通過模擬人腦神經網絡實現類人工智能的機器學習技術。鑒于其具有高效的數據特征提取與分析能力，其現已被廣泛應用在計算機視覺、自然語言處理、無人駕駛、智能家居等相關的領域或行業，影響著人們的日常生活。

目前一般將深度學習框架放置在云端/服務器端，包括模型訓練和推理計算均是在云端/服務器端進行，用戶將需要處理的圖片、視頻、文本或語音發送至云端/服務器，云端/服務器根據用戶需求對這些圖片、視頻、文本或語音進行相應的處理，然后將處理結果告知用戶，從而為用戶提供相關服務。但由于用戶需要將圖片、視頻或語音等待處理數據發送至云端/服務器，而用戶發送的圖片、視頻、文本或語音可能涉及到隱私信息，在用戶將包括隱私信息的圖片、視頻、文本或語音發送至云端/服務器過程中，可能被非法截獲，導致隱私信息被泄漏。

發明內容

本發明的主要目的在于提出一種基于隱私保護的深度學習方法、系統、服務器及計算機可讀存儲介質，旨在解決現有技術中利用設置在云端或服務器的深度學習框架進行深度學習會導致隱私信息泄露的技術問題。

為實現上述目的，本發明提供一種基于隱私保護的深度學習方法，應用于服務器，所述基于隱私保護的深度學習方法包括步驟：

將已訓練的深度學習模型中的特征提取模塊發送至移動終端，以使所述移動終端將待處理數據輸入至所述特征提取模塊中，獲得與待處理數據對應的特征信息，并反饋所述特征信息；

將移動終端反饋的所述的特征信息輸入至已訓練的深度學習模型中的結果生成模塊，輸出結果，并將所述結果發送至所述移動終端。

可選地，所述將已訓練的深度學習模型中的特征提取模塊發送至移動終端的步驟之前，包括：

將多個樣本輸入至待訓練深度學習模型中的特征提取模塊，輸出與各樣本對應的特征信息，其中每個樣本具有對應的預設標簽；

計算對應相同預設標簽的特征信息兩兩之間的第一相異度，并計算對應不同預設標簽的特征信息兩兩之間的第二相異度；

若所述第一相異度和所述第二相異度不符合預設規則，則根據所述第一相異度和所述第二相異度調整特征提取模塊，執行：所述將多個樣本輸入至特征提取模塊，輸出與各樣本對應的特征信息的步驟；

若所述第一相異度和所述第二相異度符合所述預設規則，則獲得已訓練的特征提取模塊；

將已訓練的特征提取模塊輸出的各樣本的特征信息輸入待訓練結果生成模塊進行訓練，獲得已訓練的結果生成模塊。

可選地，所述計算對應相同預設標簽的特征信息兩兩之間的第一相異度，并計算對應不同預設標簽的特征信息兩兩之間的第二相異度的步驟包括：

根據相異度計算公式分別計算對應相同預設標簽的特征信息兩兩之間的第一相異度，并根據相異度計算公式分別計算對應相同預設標簽的特征信息兩兩之間的第二相異度；

所述相異度計算公式為：