摘要：针对智能物联网中,搭载深度强化学习智能体的智能设备缺乏有效安全数据共享机制的问题,提出一种面向深度强化学习智能体的通用联邦强化学习(GenFedRL)框架。GenFedRL不需要共享深度强化学习智能体的本地私有数据,而通过模型共享技术实现共同训练,在保护各智能体私有数据隐私的同时,有效地利用其数据资源和计算资源。为应对现实通信环境的复杂性与满足加速训练的需要,为GenFedRL设计了基于同步并行的模型共享机制。结合常见深度强化学习算法自身的模型结构特点,基于FedAvg算法设计了适用于单网络结构与多网络结构的通用联邦强化学习算法,进而实现了具有同种网络结构的智能体间的模型共享机制,更好地保护各类智能体的私有数据。仿真实验表明,即使在大部分数据节点无法参与训练的恶劣通信环境下,常见深度强化学习算法智能体在所提框架上仍表现出良好的性能。

摘要：为解决现有图像级人脸隐私保护模型中二元属性翻转问题和图像信息损失过大等问题,本文提出了一种优化方案。通过定义属性概率分数概念并设计新的隐私保护损失函数项,来解决隐私保护模型中的二元属性翻转问题。同时,使用L1距离来约束隐私保护图像与原始图像之间的信息差异,以保证在模型实现有效隐私保护的同时减少信息损失。与现有PrivacyNet方案相比,本方案克服了属性翻转问题和生成图像视觉效果差问题,在多属性隐私保护和实用性方面具有优越性。

摘要：区块链技术具有难以篡改、不可逆的特点,可以保证链上数据的真实性。设计了一种可信电子文件管理模型,将电子文件摘要信息保存在联盟链上,并使用Hadoop分布式文件系统存储加密后的电子文件,保证了电子文件不可被篡改,并能够通过区块链信息比对判别文件的真实性,为可信电子文件管理提供了一定的参考和借鉴。