Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 小元感知(葫芦岛)科技有限公司贾飞获国家专利权

小元感知(葫芦岛)科技有限公司贾飞获国家专利权

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!

龙图腾网获悉小元感知(葫芦岛)科技有限公司申请的专利基于隐私计算的视频用户数据安全分析与预测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:CN120316825B

龙图腾网通过国家知识产权局官网在2025-08-29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:202510773334.0,技术领域涉及:G06F21/62;该发明授权基于隐私计算的视频用户数据安全分析与预测方法是由贾飞;刘树栋;王闯设计研发完成,并于2025-06-11向国家知识产权局提交的专利申请。

基于隐私计算的视频用户数据安全分析与预测方法在说明书摘要公布了:本发明公开了一种基于隐私计算的视频用户数据安全分析与预测方法,S1、收集视频用户数据,构建数据集;S2、通过多层次隐私预算划分,对视频用户数据的不同处理阶段进行隐私预算分配;S3、采用自适应噪声注入机制,定义噪声注入量的调整公式,获取预处理后的视频用户数据;S4、构建隐私计算框架,联合平衡目标函数和图重构损失函数设定损失函数;S5、利用预处理后的视频用户数据训练隐私计算框架;S6、通过隐私计算框架执行视频用户数据分析与预测,输出预测结果。本发明能够在视频用户数据安全分析与预测中提供高效、科学的优化方案,为实际应用带来显著的技术价值和经济效益。

本发明授权基于隐私计算的视频用户数据安全分析与预测方法在权利要求书中公布了:1.基于隐私计算的视频用户数据安全分析与预测方法,其特征在于,包括如下步骤: S1、收集视频用户数据,构建数据集; S2、在数据预处理阶段,根据数据敏感性、分析需求及处理阶段,通过多层次隐私预算划分,对视频用户数据的不同处理阶段进行隐私预算分配; S3、在隐私预算分配基础上,采用自适应噪声注入机制,定义噪声注入量的调整公式,并根据噪声注入量调整噪声强度,获取预处理后的视频用户数据; S4、构建隐私计算框架,设定隐私保护与分析精度之间的平衡目标函数,并利用图卷积网络对视频用户数据进行编码和解码,联合平衡目标函数和图重构损失函数设定损失函数; S5、利用预处理后的视频用户数据训练隐私计算框架; S6、通过隐私计算框架执行视频用户数据分析与预测,输出预测结果; 所述S4包括以下步骤: S41、在数据分析与预测阶段,设定隐私保护与分析精度之间的平衡目标,根据预设的隐私预算和噪声注入量,定义平衡目标函数为: ; 其中,为隐私保护与分析精度的平衡目标函数,为平衡系数,取值范围为[0,1],为第i阶段的数据敏感性,为第i阶段的计算复杂度,为第i阶段的分析需求权重,为预处理后的视频用户数据与原始数据项之间的误差度量,n为数据项的数量; S42、通过调整平衡系数,控制隐私保护强度与分析精度之间的权重分配,定义优化公式为: ; 其中,为优化后的平衡目标函数,为平衡系数; S43、利用预处理后的视频用户数据提取视频用户数据的节点特征,每个节点表示用户i的行为特征向量,每个边表示用户i和用户j之间的关系,通过邻接矩阵A表示边的连接关系,且每个节点的邻接矩阵表示为,对邻接矩阵进行归一化获得; S44、利用图卷积网络对视频用户行为数据进行编码,通过多层图卷积层学习节点特征的低维表示: ; 其中,表示第k层的节点特征表示,为归一化的邻接矩阵,为第k层的权重矩阵,为偏置项,为sigmoid激活函数; S45、引入图注意力机制,赋予每条边不同的注意力权重: ; 其中,为节点i和节点j之间的注意力系数,为注意力机制的权重,为节点i的特征表示,为节点j的特征表示,表示向量连接操作,表示节点i的邻居节点集合,表示自然指数函数,表示线性整流函数; S46、对每个节点i进行更新: ; 其中,为更新后的节点i的特征表示,为节点i的邻居节点集合,为节点i和节点j之间的注意力权重,为学习的权重矩阵,为节点j的特征表示,为sigmoid激活函数; S47、利用解码器重构图结构,恢复邻接矩阵: ; 其中,为重构的邻接矩阵元素,表示节点i和节点j之间的边的权重,、为节点i和节点j的低维表示,为sigmoid激活函数; S48、获取预测结果: ; 其中,为第i个数据项的预测结果,为第i个数据项的低维特征表示,为用于预测任务的权重矩阵; S49、构建图重构损失函数和预测精度损失函数; 图重构损失函数表示为: ; 其中,为重构的邻接矩阵元素,为真实的邻接矩阵元素; 预测精度损失函数表示为: ; 其中,为第i个数据项的真实标签,为第i个数据项的预测结果,n为数据项的数量; 定义总损失函数为: ; 其中,为优化后的平衡目标函数,为图重构损失函数,为预测精度损失函数,和为调节系数。

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小元感知(葫芦岛)科技有限公司,其通讯地址为:125000 辽宁省葫芦岛市高新技术产业开发区高新五路创客空间302室;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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。