原始名称记载: 山东省计算中心（国家超级计算济南中心）

本发明公开一种基于推理时线性化的安全神经网络推理方法及系统，涉及机器学习和信息安全技术领域，模型持有者将训练好的非线性神经网络的随机特征提取模块部署在客户端，分别向两个非串通服务器分发可学习模块；客户端将数据输入至随机特征提取模块进行特征提取，得到随机特征，基于算术秘密共享将映射后的随机特征进行分割，得到第一秘密份额和第二秘密份额并分别分发至两个服务器；两个服务器基于可学习模块对接收的秘密份额进行推理计算，推理时将S‑cos激活函数线性化，得到第一计算结果和第二计算结果并返回至客户端，客户端基于第一计算结果和第二计算结果重构预测结果，在保护数据隐私和模型隐私的前提下实现高效的神经网络推理服务。

本发明公开基于筛选层解耦激活函数的隐私保护预测方法及系统，涉及机器学习和信息安全技术领域，模型拥有者构建双网络模型，包括预测网络和引导网络；客户端基于加密共享对原始数据进行保护，生成第一份额和第二份额，同时，基于对抗训练优化后的编码器对原始数据进行特征提取，得到约束表示，将第一份额和约束表示发送至第一云服务器，将第二份额和约束表示发送至第二云服务器；在第一云服务器和第二云服务器上分别部署双网络模型，基于双网络模型计算接收到的数据分别得到第一结果和第二结果并返回给客户端；客户端基于第一结果和第二结果恢复预测结果，实现了在保护客户端数据隐私的同时进行高效的深度学习推理预测。

本发明公开一种面向多级隐私保护的图像深度压缩感知方法及系统，涉及图像处理与信息安全技术领域，对图像和隐私掩码进行分块，得到多个图像块和对应的多个掩码块；基于掩码块计算图像块的隐私权重，基于隐私权重动态分配图像块的采样率；根据隐私权重从多个图像块中判定出隐私块，基于密钥对隐私块施加可逆的加密扰动，得到扰动后的隐私块；根据为每个图像块分配的采样率对非隐私块和扰动后的隐私块进行压缩采样，得到观测值；将观测值输入至预先训练好的双分支重建网络，通过第一分支基于观测值重建得到隐私保护图像，通过第二分支基于观测值，结合完全授权用户的密钥，重建得到高保真图像，在深度压缩感知框架下实现图像隐私保护与高质量重建。

本发明属于联邦学习的技术领域，更具体地，涉及一种基于单次通信的无数据驱动量子联邦学习方法。所述方法包括：多个客户端依赖各自本地数据独立训练经典模型，训练完成后仅进行单次通信，将模型表征信息上传到服务器；服务器在接收各客户端上传的模型表征信息后，对这些信息进行统一融合，构建一个集成教师模型；服务器在集成教师模型的指导下，利用伪样本生成器从随机噪声中合成伪样本；利用生成的伪样本，通过软标签蒸馏将集成教师模型的知识迁移到量子学生模型中，最终在服务器端得到统一的量子学生模型。本发明解决了现有量子联邦学习中存在的通信开销大、隐私保护与效率难以兼顾、以及量子硬件资源严重受限等技术问题。

本发明涉及人工智能技术领域，提供一种基于投影适配机制的多模态联邦学习方法，由服务器端加载预训练的跨模态主干模型，并完成投影适配模块的参数初始化。服务器端将全局模型分发至各客户端，客户端使用本地多模态数据开展训练，训练过程中仅更新投影适配模块参数，跨模态主干模型参数保持固定，同时采用对称交叉熵损失函数并计算文本特征和图像特征的相似度矩阵。客户端将更新后的适配模块参数上传至服务器端，服务器端通过加权平均方式对这些参数进行聚合，得到更新后的全局适配模块。本发明还公开了一种用于上述方法的系统，该方法和系统在多客户端持有异构数据的复杂环境下，仍能实现与传统集中式训练相当的模型准确率，且兼顾训练效率、隐私安全与性能表现。

本发明公开的基于边缘设备属性加密的物联网数据访问控制方法及系统，属于信息安全技术领域，要解决的技术问题为如何保证物联网数据访问的安全性，所述方法包括可信机构获取数据使用者的属性，根据数据使用者的属性生成属性版本公钥，将属性版本公钥发送至边缘设备；物联网设备基于访问策略对物联网数据进行轻量加密，获得轻量加密后密文；将轻量加密后密文发送至边缘设备；边缘设备基于属性版本公钥对轻量加密后密文执行数据加密，获得完整密文；将完整密文上传云服务器；数据使用者从云服务器下载完整密文；根据数据使用者的属性与完整密文中的访问策略是否匹配，来确定是否对完整密文进行解密。实现对物联网数据安全高效地访问控制。