专利交易市场

0本申请公开了支持双向隐私保护的机器学习安全聚合预测方法及系统，包括：客户端、计算服务器和聚合服务器；计算服务器接收客户端发送的待预测数据的数据份额；所述计算服务器对数据份额进行处理，得到预测结果份额；所述计算服务器对预测结果份额进行盲化处理，得到盲化预测结果份额；所述计算服务器将盲化预测结果份额发送给聚合服务器；所述聚合服务器对盲化预测结果份额进行移除盲化处理和加噪声处理，将结果反馈给客户端。

0本公开提出了协同学习框架下基于知识迁移的隐私保护方法及系统，包括：将本地隐私数据集分割成互不相交的若干份隐私子集，基于每一个隐私子集，训练对应的一个隐私模型；协同学习：将公共数据提交给隐私模型，隐私模型使用聚合机制，利用知识迁移给公共数据集标注标签；在获得足够的标注后的数据后，训练本地交互模型，在每一轮的训练中上传部分参数至服务器，服务器更新维护全局参数并提供最新的参数供各方下载，参与方下载最新参数优化本地交互模型。本公开同时协同学习的多次参数交互也可以确保，即使交互模型获取到标注数据较少，在多轮训练后依旧可以保持较高的准确度。

0本公开公开了DNA序列相似率安全计算方法及系统，每个客户端获取待计算相似率的DNA序列；每个客户端利用自身的公钥对获取的待计算相似率的DNA序列进行加密处理，得到加密的待计算相似率的DNA序列；每个客户端将加密的待计算相似率的DNA序列发送给云服务器C；云服务器C将所有客户端的公钥进行累乘，生成公共公钥PK；云服务器C和云服务器S将加密的待计算相似率的DNA序列转换为通过公共公钥PK加密的密文，得到重新加密的待计算相似率的DNA序列；从云服务器C和云服务器S中分别选取重新加密的待计算相似率的DNA序列，对重新加密的待计算相似率的DNA序列进行同态加密运算，得到DNA序列相似率。