[发明专利]一种基于改进生成对抗网络的隐私保护方法

权利要求书

1.一中基于改进生成对抗网络的隐私保护方法，其特征在于，包括以下步骤：

步骤S1：对原始图片进行预处理，并生成标签文件，具体方式如下：

步骤S11：将原始图片压缩至64*64尺寸，并根据设定的隐私目标与效用目标构建一个图片对应两个标签的标签文件；

步骤S2：构建基于改进生成对抗网络的隐私保护网络，具体方法如下：

步骤S21：搭建类变分自编码器结构的生成器网络，由编码器部分与解码器部分组成，具体方法如下：

步骤S211：编码器部分由五层卷积网络组成，其中在第二层至第四层卷积操作后均使用批标准化操作，激活函数使用LeakReLU函数，此外在第五层卷积操作之后可根据原始数据量的大小以及数据复杂度，选择是否加入随机噪声；

步骤S212：解码器部分由五层反卷积网络组成，其中第一层至第四层卷积操作均使用批标准化操作，并进行Dropout操作。前四层的激活函数均使用LeakReLU函数，但最后一层使用tanh激活函数；

步骤S22：搭建三组判别器网络，分别为真实性判别器、隐私判别器与效用判别器，具体方法如下：

步骤S221：真实性判别器网络由五层卷积网络组成，在第二层至第四层卷积操作之后均使用批标准化操作，并选择LeakReLU函数作为激活函数，最后一层取消sigmoid函数，直接输出卷积操作后的值。真实性判别器网络判别输入的图像真实与否；

步骤S222：隐私判别器与效用判别器均由五层卷积网络组成，架构与真实性判别器网络相同，但最后一层选用sigmoid归一化函数。隐私判别器与效用判别器判断输入所属的类别；

步骤S3：初始化网络权重，具体方法为：采用正态分布初始化参数，其中：μ＝0，σ＝0.01；

步骤S4：将步骤S1预处理后的图片与标签文件输入网络，完成前向传播；

步骤S5：将步骤S4前向传播的结果与输入的标签文件计算损失，更新模型参数，具体方法如下：

步骤S51：计算判别器网络的损失，具体方法如下：

步骤S511：计算改进生成对抗网络的基础判别器损失，具体公式为：

其中公式的前两项为取消了log函数的原始GAN的判别器训练过程。第一项为判别器对真实样本的分数，第二项为生成器处理原始图片后的生成图片的评分，第三项为限定判别器损失不超过1，以满足1-利普希茨连续条件(1-lipschitz)，其中λ为超参数；

步骤S512：计算效用判别器的损失，具体公式为：

公式由两组交叉熵组成，表示交叉熵。两组交叉熵分别为真实图片的效用标签与效用判别器的输出之间，以及真实图片的效用标签与效用判别器对隐私保护后图片的输出之间的交叉熵。目标以提高效用判别器的能力，无论针对真实图片还是隐私保护后图片；

步骤S513：计算隐私判别器的损失，具体公式为：

公式分别由真实图片在隐私判别器中的输出与隐私标签的交叉熵和生成图片在隐私判别器中的输出与隐私标签的交叉熵组成；

步骤S514：将S511、S512、S513中的损失函数加和后得到最终判别器损失函数，具体公式如下：

其中α、β、γ均为超参数；

步骤S52：计算生成器网络的损失函数，具体方法如下：

步骤S521：计算改进生成对抗网络的基础生成器损失，具体公式如下：

步骤S522：计算效用损失函数与隐私损失函数，具体公式如下：

分别为生成图片在效用判别器中的输出与效用标签的交叉熵和生成图片在隐私判别器中的输出与隐私标签的交叉熵；

步骤S523：将S521与S522中的损失函数加和后得到最终生成器损失函数，具体公式如下：

其中δ、ε、∈分别为三个超参数；

步骤S53：将步骤S514与步骤S523计算所得的损失利用随机梯度下降方法更新模型参数；

步骤S6：迭代步骤S4，S5达到指定次数，本发明迭代次数为50次。

步骤S7：使用训练得到的生成器对原始图片进行处理得到隐私保护处理后图片。

2.根据权利要求1所述的隐私保护方法，其特征在于：α＝1，β＝1，γ＝1，δ＝1，ε＝1，∈＝1，λ＝10。