买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北京理工大学申请的专利一种基于加性同态加密的隐私保护深度学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115062331B 。

龙图腾网通过国家知识产权局官网在2025-05-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210559125.2，技术领域涉及：G06F21/62；该发明授权一种基于加性同态加密的隐私保护深度学习方法是由徐畅;金国燮;祝烈煌;张川;贾钰设计研发完成，并于2022-05-22向国家知识产权局提交的专利申请。

本一种基于加性同态加密的隐私保护深度学习方法在说明书摘要公布了：本发明属于机器学习中的深度学习技术领域，具体涉及一种基于加性同态加密的隐私保护深度学习方法。本发明提出的基于加性同态加密的高效率隐私保护深度学习方法致力于解决上述两大挑战，该方法将用户从繁重的迭代训练过程中解放出来，减少用户的传输消耗，同时借助加性同态加密和随机梯度下降训练具有良好可用性和保密性的多层感知模型。通过巧妙的数学逻辑关系实现了通信高效，大大降低了参与实体的通信开销。

本发明授权一种基于加性同态加密的隐私保护深度学习方法在权利要求书中公布了：1.一种基于加性同态加密的隐私保护深度学习方法，其特征在于包括以下步骤：步骤1，搭建深度学习系统，所搭建的深度学习系统包括一个服务器、一个模型请求者和若干个用户；所述的服务器用于选择安全参数κ并根据所选择的安全参数κ运行Paillier加密算法中的密钥生成算法Genκ生成密钥对pks,sks，并将生成的公钥pks发送给模型请求者和若干个用户；所述的模型请求者用于接收服务器发送的公钥pks，还用于根据服务器所选择的安全参数κ生成自己的Paillier加密算法公私密钥对pkr,skr并且广播公钥pkr，模型请求者还对三层感知模型进行初始化；所述的用户用于接收服务器发送的公钥pks，用户还拥有样本数据，样本数据用于深度学习中的模型训练；步骤2、用户对自身拥有的样本数据添加扰动并加密后分别上传给模型请求者和服务器，用户对自身拥有的样本数据添加扰动的方法为：用户的样本数据表示为{xi,yi},其中xi＝xi1,xi2,…,xia为一个a维向量，表示该数据具有a个特征，yi为对应的独热编码格式下标签值，随机选择满足这两个关系式的矩阵P,Q和向量Mi，其中Pl，Ql分别是矩阵P和Q中的a维行向量，Mi＝mi1,mi2,…,mia也是a维向量；利用矩阵P,Q将向量xi扩展为矩阵步骤3、进行MLP模型训练，具体的模型训练过程包括为：步骤3.1、请求令牌生成：在第t轮迭代开始之前，模型请求者从收集的所有数据中随机选择s条数据作为训练数据集Bt，然后计算和Δ2＝Ey，其中为上一轮MLP模型第二层隐藏层的权重，Δ1和Δ2共同构成请求令牌的第一部分Δ1，接着计算和其中It为随机可逆矩阵，为上一轮MLP模型第三层输出层的权重，最后模型请求者将请求令牌Request＝{Δ1,Δ2,Δ3}发送给服务器；步骤3.2、梯度计算：服务器处理请求令牌计算得到密文下的预测输出其中u是隐藏层中间结果，h是隐藏层输出，然后根据三层感知模型的偏导数公式以及计算梯度的必要中间结果，包括ζ2＝Eγ-1·MT·vT，其中v＝-h1-h，γ为随机数，J是交叉熵损失函数，处理完所有数据后，服务器将回复令牌Response＝{ζ1,ζ2,ζ3}返回给模型请求者；步骤3.3、模型更新：模型请求者收到回复令牌后，首先解密得到输出层的梯度Zo＝Dζ1，然后分别计算Z1＝X·Dζ2T＝γ-1·v·x和利用Z1和Z2中的元素按照公式计算隐藏层的梯度元素，最终得到完整的隐藏层梯度Zh，计算完所有s个数据后对所有的Zo和Zh取平均，得到最终梯度{Gh,Go}，然后利用梯度更新该轮次的模型上述步骤迭代运行，经过T轮迭代后直至模型收敛，至此，经过步骤1到步骤3，完成了对三层感知模型的训练，模型请求者最终得到训练好的模型

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。