買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉杭州電子科技大學(xué)申請的專利一種基于條件生成對抗網(wǎng)絡(luò)的協(xié)作推理模型逆向攻擊方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN118886505B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202410919937.2，技術(shù)領(lǐng)域涉及：G06N5/04；該發(fā)明授權(quán)一種基于條件生成對抗網(wǎng)絡(luò)的協(xié)作推理模型逆向攻擊方法是由王冬;郭開天;任一支;胡銘德;孫碩超;王小軍設(shè)計(jì)研發(fā)完成，并于2024-07-10向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于條件生成對抗網(wǎng)絡(luò)的協(xié)作推理模型逆向攻擊方法在說明書摘要公布了：本發(fā)明公開了一種基于條件生成對抗網(wǎng)絡(luò)的協(xié)作推理模型逆向攻擊方法，該方法首先獲取目標(biāo)模型參數(shù)和推理過程中中間特征的訪問權(quán)限。其次選擇與目標(biāo)模型分類任務(wù)同域的公共數(shù)據(jù)集，作為輔助數(shù)據(jù)集，獲取目標(biāo)模型對輔助數(shù)據(jù)集樣本的分類結(jié)果，作為輔助數(shù)據(jù)集預(yù)測標(biāo)簽。然后訓(xùn)練攻擊用的由條件生成器模型和條件判別器模型構(gòu)建的條件生成對抗網(wǎng)絡(luò)，并截獲目標(biāo)圖像中間特征，并獲取目標(biāo)圖像的預(yù)測標(biāo)簽。最后設(shè)定潛在向量初始值，以潛在向量作為輸入，以目標(biāo)圖像的預(yù)測標(biāo)簽作為指導(dǎo)，用條件生成器生成恢復(fù)圖像，并進(jìn)行訓(xùn)練優(yōu)化。本發(fā)明克服了對邊緣設(shè)備模型層數(shù)敏感的缺陷，提升了生成恢復(fù)圖像的準(zhǔn)確性、真實(shí)性。

本發(fā)明授權(quán)一種基于條件生成對抗網(wǎng)絡(luò)的協(xié)作推理模型逆向攻擊方法在權(quán)利要求書中公布了：1.一種基于條件生成對抗網(wǎng)絡(luò)的協(xié)作推理模型逆向攻擊方法，其特征在于，包括如下步驟： S1、獲取目標(biāo)模型參數(shù)和推理過程中中間特征的訪問權(quán)限； S2、選擇與目標(biāo)模型分類任務(wù)同域的公共數(shù)據(jù)集，作為輔助數(shù)據(jù)集； S3、獲取目標(biāo)模型對輔助數(shù)據(jù)集樣本的分類結(jié)果，作為輔助數(shù)據(jù)集預(yù)測標(biāo)簽； S4、訓(xùn)練攻擊用的條件生成對抗網(wǎng)絡(luò)，所述條件生成對抗網(wǎng)絡(luò)由條件生成器模型和條件判別器模型構(gòu)建； 所述訓(xùn)練攻擊用的條件生成對抗網(wǎng)絡(luò)具體實(shí)現(xiàn)過程如下： S4.1、隨機(jī)生成潛在向量z和指導(dǎo)標(biāo)簽y，其中z～N0,I，N0,I是k維標(biāo)準(zhǔn)高斯分布，k是條件生成器的潛在向量維度，y表示目標(biāo)類的標(biāo)簽，目標(biāo)模型分類的總數(shù)為nclass； S4.2、用條件生成器模型生成圖像x＝Gz,y； S4.3、計(jì)算條件生成器模型的損失函數(shù)，如下所示： Lgen+wlabLlab 其中，Lgen＝-Dx,y，D表示生成對抗網(wǎng)絡(luò)中的判別器模型，wlab是損失項(xiàng)Llab的權(quán)重，Llab＝‖Tx,y‖，T表示目標(biāo)模型，Tx是恢復(fù)圖像在目標(biāo)模型上的預(yù)測結(jié)果； S4.4、以最小化上述損失函數(shù)為目標(biāo)，用隨機(jī)梯度下降算法更新一輪條件生成器模型的參數(shù)θG； S4.5、從輔助數(shù)據(jù)集中輸入真實(shí)圖像樣本x0∈Daux，x0的預(yù)測標(biāo)簽為y0，其中Daux表示輔助數(shù)據(jù)集； S4.6、用條件生成器模型生成圖像x＝Gz,y，其中z表示潛在向量，y表示指導(dǎo)標(biāo)簽，x和y的選取方法與S4.2相同； S4.7、計(jì)算條件判別器模型的損失函數(shù)Ldis＝-Dx0,y0+Dx,y； S4.8、以最小化Ldis為目標(biāo)，用隨機(jī)梯度下降算法更新一輪條件判別器的參數(shù)θD； S4.9、重復(fù)步驟S4.5-S4.8ndis次，其中ndis是條件生成器模型兩輪訓(xùn)練之間，條件判別器的訓(xùn)練輪數(shù)； S4.10、重復(fù)步驟S4.1-S4.9，直到條件生成器模型與條件判別器模型之間的博弈達(dá)到納什均衡； S5、截獲目標(biāo)圖像中間特征，并獲取目標(biāo)圖像的預(yù)測標(biāo)簽； S6、設(shè)定潛在向量初始值，以潛在向量作為輸入，以目標(biāo)圖像的預(yù)測標(biāo)簽作為指導(dǎo)，用條件生成器生成恢復(fù)圖像，獲取恢復(fù)的中間特征，并進(jìn)行訓(xùn)練優(yōu)化。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人杭州電子科技大學(xué)，其通訊地址為：310018 浙江省杭州市錢塘區(qū)白楊街道2號大街1158號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。