[發明專利]基于不可學習噪聲生成器的數據保護方法、設備、介質在審
| 申請號： | 202211601288.9 | 申請日： | 2022-12-13 |
| 公開（公告）號： | CN115952536A | 公開（公告）日： | 2023-04-11 |
| 發明（設計）人： | 李頡;曾益;吳晨濤;紀呼嘯;余翔;王超 | 申請（專利權）人： | 上海交通大學 |
| 主分類號： | G06F21/62 | 分類號： | G06F21/62;G06V10/764;G06V10/774 |
| 代理公司： | 上海科盛知識產權代理有限公司 31225 | 代理人： | 宣慧蘭 |
| 地址： | 200240 *** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 不可 學習 噪聲 生成器 數據 保護 方法 設備 介質 | ||
1.一種基于不可學習噪聲生成器的數據保護方法，其特征在于，包括如下步驟：
獲取目標數據集以及隨機的生成器種子，針對所述生成器種子，采用預設的輔助分類模型進行優化，獲取優選的生成器種子，基于所述優選的生成器種子構建噪聲生成器；
根據所述噪聲生成器，生成基于標簽分類的不可學習噪聲，針對所述目標數據集中的每個樣本，加入所述不可學習噪聲，獲取不可學習數據集。
2.根據權利要求1所述的一種基于不可學習噪聲生成器的數據保護方法，其特征在于，針對所述生成器種子，采用預設的輔助分類模型進行優化，獲取優選的生成器種子具體為：
步驟S1，根據隨機產生的生成器種子，獲取生成器針對所述目標數據集生成的擾動數據；
步驟S2，根據所述目標數據集以及所述擾動數據，針對所述生成器種子，使用預設的優化方法進行多次優化，獲取備選的生成器種子，并使用所述備選的生成器種子獲取新的擾動數據；
步驟S3，根據所述目標數據集以及新的擾動數據，針對所述輔助分類模型，使用預設的優化方法進行多次優化；
步驟S4，判斷所述輔助分類模型的分類錯誤率是否小于預設的值，若是，所述備選的生成器種子即為優選的生成器種子，若否，執行步驟S2。
3.根據權利要求2所述的一種基于不可學習噪聲生成器的數據保護方法，其特征在于，所述的優化方法具體為：
從所述目標數據集中獲取訓練數據，加入擾動數據后在所述輔助分類模型中進行正向傳播，獲取標簽的預測概率；
根據所述預測概率，計算分類損失，獲取分類損失對優化目標中各個分量的梯度，使用優化算法進行優化。
4.根據權利要求3所述的一種基于不可學習噪聲生成器的數據保護方法，其特征在于，所述的優化算法為PGD優化方法。
5.根據權利要求3所述的一種基于不可學習噪聲生成器的數據保護方法，其特征在于，所述的分類損失采用下式計算：
式中，為所述預測概率，k為所述訓練數據的數量。
6.根據權利要求2所述的一種基于不可學習噪聲生成器的數據保護方法，其特征在于，針對所述生成器種子，使用預設的優化方法進行多次優化采用下式實現：
針對所述輔助分類模型，使用預設的優化方法進行多次優化采用下式實現：
式中，θt分別為第t次優化的生成器種子和輔助分類模型的分量，θt+1分別為第t+1次生成器種子和輔助分類模型的分量，分別為分類損失對生成器種子各個分量的梯度、分類損失對模型參數各個分量的梯度。
7.根據權利要求6所述的一種基于不可學習噪聲生成器的數據保護方法，其特征在于，分類損失對生成器種子各個分量的梯度采用下式獲取：
式中，為擾動數據。
8.根據權利要求1所述的一種基于不可學習噪聲生成器的數據保護方法，其特征在于，所述的目標數據集為圖像數據集。
9.一種電子設備，其特征在于，包括：一個或多個處理器以及存儲器，所述存儲器內儲存有一個或多個程序，所述一個或多個程序包括用于執行如權利要求1-8任一所述基于不可學習噪聲生成器的數據保護方法的指令。
10.一種計算機可讀存儲介質，其特征在于，包括供電子設備的一個或多個處理器執行的一個或多個程序，所述一個或多個程序包括用于執行如權利要求1-8任一所述基于不可學習噪聲生成器的數據保護方法的指令。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于上海交通大學，未經上海交通大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202211601288.9/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：一種線束連接器的焊點保護結構及其應用方法
- 下一篇：一種組合式烘干設備
