买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京邮电大学申请的专利基于压缩的本地化差分隐私保护的逻辑回归方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116611030B 。

龙图腾网通过国家知识产权局官网在2025-11-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310576399.7，技术领域涉及：G06F18/27；该发明授权基于压缩的本地化差分隐私保护的逻辑回归方法是由王慧婷;陈燕俐;杨庚;王周生设计研发完成，并于2023-05-22向国家知识产权局提交的专利申请。

本基于压缩的本地化差分隐私保护的逻辑回归方法在说明书摘要公布了：本发明公开了一种基于压缩的本地化差分隐私保护的逻辑回归方法。在该方法中，用户根据服务器发布的模型参数计算梯度向量，对其编码处理得到输入向量；通过随机响应机制扰动得到输出向量，实现隐私保护。服务器聚合并校正输出向量，得到无偏均值可用于更新模型参数，并向下一轮参与训练的用户发布更新参数。经多轮迭代后训练出逻辑回归模型。最后，利用逻辑回归模型可对未知类标签的用户数据分类预测。本发明引入压缩的本地化差分隐私模型，该模型在保护用户隐私的同时提高了数据统计的效用和估计精度，平衡了隐私保护和数据可用性，为用户提供分类预测的同时，确保了攻击者无法逆向推理出训练数据中个体的数据，并具有较高的分类准确率。

本发明授权基于压缩的本地化差分隐私保护的逻辑回归方法在权利要求书中公布了：1.一种基于压缩的本地化差分隐私保护的逻辑回归方法，其特征在于，通过执行如下步骤，用户对梯度向量编码进输入向量，并进行扰动以实现隐私保护，服务器端将对经扰动后的输出向量聚合，还原出所有用户输入向量的均值，并将该均值带入逻辑回归的迭代式更新模型参数，用户基于该模型利用假设函数的决策边界来预测其标签； S1：在训练阶段，服务器初始化逻辑回归模型参数，设置隐私预算值，将初始模型参数和隐私预算值公开给用户； 其中，服务器负责聚合用户梯度，并计算模型参数； 每个用户拥有参与逻辑回归模型所需的训练数据，由个用户构成； S2：用户根据服务器发放的模型参数，计算得到维数值型的梯度向量；步骤S2中，根据逻辑回归的梯度计算式，其中假设函数为，；每个用户在用户端可得到由维数值型的梯度向量，其中； S3：用户在用户端对其梯度向量编码到维的输入向量； 步骤S3具体包括如下步骤： S31：对归一化使得； S32：对离散化后得到输入向量，使得任意；离散化的方式如下： 其中，表示用户的梯度向量第位的值； S4：用户对输入向量进行扰动，利用扰动机制将输入向量扰动到输出向量使其满足压缩的本地差分隐私；步骤S4具体包括如下步骤： S41：对于维度为的向量，将总样本划分为组样本子空间，相似度为的样本子空间大小为，计算到作为归一化因子； S42：根据二项式定理简化归一化因子，得到：； S43：定义扰动机制，对于任意输入向量，经过扰动机制后得到输出向量的概率如下： 其中：表示概率分布值，为CLDP模型下的隐私预算，为效用函数，，用来定义输入向量和输出向量之间的相似度，有效用函数；其中，距离函数采用汉明距离，即定义，为异或运算，反映出两向量之间的相异程度，进而为向量之间的相似程度提供依据，并满足距离函数的非负性、同一性、对称性和三角不等性；两个向量之间的相似度越高，则效用值越大，表示输出向量有更高的概率接近输入向量； S44：根据二项式定理进一步化简扰动机制： 由用户端将其输入向量经过扰动机制后得到输出向量； 由用户端将其输入向量经过扰动机制后得到输出向量；具体为：初始化输出向量：；生成一个均匀随机变量，如果，则令中的第j个分量，如果，则令中的第j个分量；将中的每一分量按照上式计算后得到最终的输出向量； S5：用户将扰动后的输出向量发送给服务器； S6：服务器根据所有用户发送的输出向量进行统计分析，得到个输入向量的均值； S7：服务器将得到的均值结果带入逻辑回归的迭代式，更新模型参数；重复S2-S7，直到模型收敛，迭代结束，进入步骤8； S8：得到模型的参数，即逻辑回归分类器模型；对于未知类标签的用户，将和其属性代入逻辑回归的假设函数，用户利用假设函数的决策边界来预测其标签。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。