Aug, 2022

数据加密在中文命名实体识别中的应用

PDF
TL;DR本文介绍了一个加密学习框架，引入了多种算法对命名实体识别任务的训练数据进行加密，并使用加密数据训练深度神经网络，在六个中文数据集上进行实验，本文解决了数据泄露问题并取得了令人满意的结果。
deep learningnamed entity recognitionencryption learning frameworkdata privacydata leakage
发现论文，激发创造
  • CryptoNN：在加密数据上训练神经网络

    提出了一种名为 CryptoNN 的框架，该框架使用功能性加密方案来支持加密数据上的神经网络模型的训练，以解决神经网络模型训练过程中的隐私问题，并显示出与 MNIST 数据集上基线神经网络模型相似的准确性。

    Apr, 2019

  • 加密数据上的深度神经网络

    本文针对深度神经网络访问隐私敏感的原始数据的问题，提出了一种基于同态加密方案的新技术，并将其应用于卷积神经网络中，使用多项式替代常用激活函数，成功地实现了隐私保护的预测，同时取得了非常高的精度和有效性。

    Nov, 2017

  • IEEE 大数据杯 2022：基于深度学习的加密图像隐私保护匹配

    本文介绍了一个基于深度卷积神经网络和数据增强技术的解决方案，用于 IEEE Big Data Cup 2022 挑战中隐私保护匹配加密图像的任务，并在该挑战中获得第一名。主要关键词为智慧城市、智慧传感器、隐私保护、加密技术和深度卷积神经网络。

    Nov, 2022

  • CNN-LSTM-CRF 和词语分割联合训练实现的神经网络中文命名实体识别

    本文提出了一种神经方法来解决中文命名实体识别的挑战，该方法包括使用 CNN-LSTM-CRF 神经架构来捕捉 CNER 的本地和长距离上下文，引入统一框架来联合训练 CNER 和分词模型以增强 CNER 模型在识别实体边界方面的能力，以及使用自动方法从现有标记数据生成伪标记样本来扩充训练数据。实验结果表明，该方法特别适用于训练数据不足的情况下，可以有效提高中文命名实体识别的性能。

    Apr, 2019

  • 可学习的图像加密

    介绍了一种可学习的图像加密方案，用于保护图像隐私，在不侵犯隐私的前提下，通过加密的图像进行网络训练并得到验证。

    Mar, 2018

  • 基于现代命名实体识别技术的自由文本健康记录去识别化基准测试

    本研究旨在探究采用基于深度学习的命名实体识别 (NER) 方法在坚持保留医疗数据隐私的前提下，如何更好地去识别和去除医疗记录中的敏感信息，进而使得医疗数据可以用于科学研究。其中，BiLSTM-CRF 被发现是最佳的编码 / 解码器组合方式之一；字符嵌入和 CRF 的使用倾向于在精度和召回率之间做出权衡；而单独使用 Transformer 作为上下文编码器的效果相对较差。未来的研究可以尝试结构化医疗文本以获得更好的语义和句法信息，以进一步提高 EHR 去识别效果。

    Mar, 2021

  • 面向医疗数据民主化与信息泄露预防的数据编码

    这篇论文提出了一种通过不可逆编码实现数据民主化的方案，能在不违反医疗数据和临床模型的隐私约束条件下，保证编码数据能够保留原始数据的语义以有效地训练深度学习模型，并减少模型的信息泄漏。

    May, 2023

  • 在加密文本上训练自然语言处理模型以提高隐私性

    该研究提出了一种使用加密文本数据训练自然语言处理模型的方法，以解决隐私问题，并展示了加密和非加密模型在性能上的可比性。

    May, 2023

  • 神经命名实体识别数据适应技术调查

    本研究探讨利用大型单语无标注语料库和数据合成两种方法对三个不同命名实体识别任务性能的影响

    Oct, 2021

  • 基于加性同态加密的深度神经网络用于非对称协作机器学习

    本文提出一种不对称协作机器学习的实用方案，其中一方拥有数据，另一方仅拥有标签，提出了一种新的保护隐私的架构方案，可以有效地帮助两方合作训练深度学习模型。

    Jul, 2020