专利交易市场

0本发明属于数据隐私保护和数据安全的技术领域，更具体地，涉及一种零知识、免真实数据的模型推理攻击方法。所述方法包括：将目标模型的分布切分为多个部分，并构建集中分布集，集中分布集中包含多个子分布，子分布中包含随机抽样噪声；将子分布中随机抽样的噪声输入目标模型中，得到相应的预测标签，基于预测标签得到该子分布的噪声在目标分布中的累计函数，并基于累计函数估计相应的目标分布；从估计的目标分布中随机抽样噪声，并结合预测标签，构建训练样本集；利用训练样本集训练替代模型，以拟合目标模型分布，完成模型推理攻击。本发明解决了现有方法中攻击者需要知道目标模型和训练集信息才能进行攻击的局限性的问题。

0本发明属于图像的增强或复原技术领域，更具体地，涉及一种无监督医学视频去烟雾方法及程序产品，所述方法包括：首先，对数据进行预处理；其次，将数据输入烟雾检测器区分有雾帧图像和无雾帧图像；然后，搭建循环生成对抗网络CycleGAN模型框架，利用一组未配对的无雾视频和有雾视频结合损失函数进行模型训练，得到训练后的循环生成对抗网络CycleGAN模型；最后，使用循环生成对抗网络CycleGAN模型将视频中的有雾帧图像生成无雾帧图像。本发明解决了统一处理会严重影响处理效率和无雾图像质量以及在医学手术过程中存在的可能产生烟雾遮挡视野，影响手术顺利进行和数据集难以获取的问题。

0本发明属于图像数据处理的技术领域，更具体地，涉及一种基于数据集压缩的联邦元学习隐私保护的方法。所述方法包括每个客户端初始化一个小型合成数据集取代客户端的原始数据集，随机初始化每个合成数据集和对应的学习率；输入初始本地模型参数进行训练得到新一轮本地模型参数；优化合成数据集及其对应的学习率；不断迭代优化，得到最终合成数据集和最终学习率；联邦元学习基于最终合成数据集和最终学习率得到真实梯度，再通过嵌入联邦元学习中的DLG攻击优化虚拟数据集和虚拟梯度；在最终合成数据集中的图像数据上添加噪声。本发明解决了DLG攻击在联邦元学习中就会有更高的成功率猜测出批量大小并进行攻击进而导致隐私泄露的问题。