北京电子科技学院

本发明公开了一种结合模分量同态加密与差分隐私的联邦学习隐私保护方法，其中方法包括：服务器初始化全局模型并选取参与训练的客户端；客户端本地训练并基于反向传播梯度计算局部Fisher信息矩阵；服务器聚合得到全局Fisher评估矩阵，筛选前k%的敏感核心参数并生成布尔型加密掩码；客户端依据掩码对核心参数执行模分量同态加密，对非核心参数注入差分隐私噪声；服务器分别对核心密文和非核心含噪明文进行加权聚合；客户端本地解密并重构新一轮全局模型。本发明能够实现模型隐私保护与训练效率的平衡，解决现有联邦学习全量加密计算开销大、通信负担重及模型可用性下降的问题。

本发明公开了一种基于证据锚定奖励的视觉语言模型训练方法及系统，涉及人工智能与计算机视觉技术领域，其中方法包括：构建多模态训练样本集，采集携问题文本、待解析图像、标准答案及结构化数据源的样本，从中提取关联答案的证据真值；将问题与图像输入视觉语言模型，得到推理文本与预测答案；通过数值、引号文本及语义匹配从推理文本中提取模型引用的证据片段；计算证据召回率与真值覆盖率，结合答案正确性，分别得出证据锚定奖励与答案正确性奖励，进而计算组合奖励，并采用策略优化算法更新模型参数，实现证据锚定的模型训练。本发明引入证据锚定奖励机制，量化激励推理证据可核验性，抑制推理幻觉，提升模型推理事实忠实度与逻辑可信度。

本发明涉及密文数据处理技术领域，具体公开了一种基于拉格朗日插值的同态加密自举方法。包括：获取系统初始化参数，生成全局公共参数，并独立生成原私钥和新私钥；将待加密明文编码为高次随机多项式，并基于坐标点集与私钥索引，构造真实值与随机噪声在物理位置上隔离的密文矩阵；响应于密文矩阵间的同态乘法操作，触发自举流程；构造新私钥的拉格朗日选择矩阵，结合预计算的拉格朗日系数向量，对乘法结果密文矩阵执行复合运算，同步完成多项式次数降阶及从原私钥到新私钥的密文空间切换；根据新私钥从自举后的密文矩阵中提取真实点值，通过拉格朗日插值恢复明文计算结果。本发明将自举复杂度降低为矩阵线性运算，实现了高效、无损的全同态加密。

本发明涉及信息安全技术领域，公开了一种基于哈希的后量子上下文约束伪名认证方法及系统，包括注册机构初始化哈希签名环境并生成公共参数和注册机构状态，物联网设备生成用户主密钥，对服务上下文进行规范化编码，派生一次性签名密钥对，构建Merkle树根并生成链接标签，形成注册请求，注册机构核验撤销状态和组合登记状态，生成上下文伪名及上下文凭证，物联网设备根据本地使用计数确定当前使用索引，生成一次性签名和Merkle认证路径，形成认证凭证，边缘服务器验证上下文匹配关系、签名及Merkle树根一致性，状态检查节点执行使用计数器原子更新。本发明使伪名、认证密钥及使用状态与服务上下文相互绑定，降低跨上下文关联、凭证重放及重复使用风险。