电子信息技术

摘要本发明公开一种自适应切割阈值的深度学习差分隐私保护方法，在K?means框架下的自适应切割值差分隐私保护方法，结合聚类机制对梯度进行了筛选并量化，对每个簇内的梯度设置了特定的切割边界来限制加入的高斯噪声量，从而实现加快了模型的收敛速度，并缓解了总体的隐私预算过高的问题。

技术亮点

本发明所要解决的是现有深度学习隐私保护方法在做分类预测任务时，每次迭代引入噪声过多而引起的模型精度下降的问题，提供一种自适应切割阈值的深度学习差分隐私保护方法。为解决上述问题，本发明是通过以下技术方案实现的：自适应切割阈值的深度学习差分隐私保护方法，包括步骤如下：利用给定的样本数据集对基于卷积神经网络的差分隐私保护模型进行训练，得到训练好的差分隐私保护模型；

自适应切割阈值的深度学习差分隐私保护方法是一种新兴的隐私保护技术，它通过在训练深度学习模型时使用自适应切割阈值来保护数据的隐私。这种方法具有广泛的应用前景，主要包括以下几个方面：

医疗保健：在医疗保健领域，自适应切割阈值的深度学习差分隐私保护方法可以用于保护患者的隐私。例如，在疾病预测模型的训练中，可以使用这种方法对患者的个人数据进行隐私保护，同时保证模型的性能。

金融服务：在金融服务领域，自适应切割阈值的深度学习差分隐私保护方法可以用于保护客户的隐私。例如，在信用评估模型的训练中，可以使用这种方法对客户的个人数据进行隐私保护，同时保证模型的性能。

智能家居：在智能家居领域，自适应切割阈值的深度学习差分隐私保护方法可以用于保护用户的隐私。例如，在智能家居设备的使用中，可以使用这种方法对用户的个人数据进行隐私保护，同时保证设备的智能化程度。

政府部门：在政府部门，自适应切割阈值的深度学习差分隐私保护方法可以用于保护公民的隐私。例如，在公共安全领域，可以使用这种方法对监控视频进行隐私保护，同时保证视频分析的准确性。

总的来说，自适应切割阈值的深度学习差分隐私保护方法具有广泛的应用前景，可以在多个领域中保护数据的隐私，同时保证模型的性能。随着技术的不断发展，这种方法的应用前景将会更加广阔。

本发明所采用的差分隐私保护模型以卷积神经网络为框架，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈型的神经网络，其在大型图像处理方面有出色的表现，目前已经被大范围使用到图像分类、定位等领域中。相比于其他神经网络结构，卷积神经网络需要的参数相对较少，使的其能够广泛应用。在本实施例中，所选用的卷积神经网络为经典的LeNet-5的卷积神经网络，其包含两个卷积和池化层和三个全连接层。