-
公开(公告)号：CN119989034A
公开(公告)日：2025-05-13
申请号：CN202510067738.8
申请日：2025-01-16
Applicant: 北京工业大学
IPC: G06F18/2323 , G06F18/231 , G06N3/098
Abstract: 本发明公开了一种异构场景下基于原型网络的自适应聚类联邦学习方法，包括使用信息抽取得到各客户端中不同类别的类原型信息，进而构建客户端的用户原型表示，使用余弦距离作为不同客户端的相似度度量，基于此进行迭代式聚类；客户端在一定轮次训练后评估数据分布是否发生变化，从客户端新的数据中抽样得到查询集，并生成查询集中每个类别的原型表示，计算客户端在查询集的损失函数，损失函数值过大，客户端退出当前簇训练，作为新的联邦学习参与方加入联邦学习训练；新客户端加入联邦学习训练时，中心服务器负责计算其属于每一个簇的概率，进而决定其加入哪一个簇或自成一簇，增加了聚类联邦学习的可扩展性，提升了个性化模型预测性能。
-
公开(公告)号：CN117764199A
公开(公告)日：2024-03-26
申请号：CN202311732306.1
申请日：2023-12-16
Applicant: 北京工业大学
Abstract: 本发明公开了面向医疗数据异构场景的联邦学习公平性提升方法，包括：参与方在本地基于医疗数据样本调整策略执行本地预训练；医疗云中心服务器基于参与方上传的相似模型参数聚类生成参与方簇；医疗边缘服务器基于公平选择医疗参与方机制进行簇内训练，收集簇内参与方的模型测试准确率并计算簇平均准确率；医疗云中心服务器通过簇平均准确率计算权重并进行全局聚合，下发全局模型参数。引入聚类的思想，考虑异构场景下参与方医疗样本数据量不平衡、群体大小存在差异的更复杂情形，给出自适应医疗数据样本调整策略、公平选择医疗参与方机制，在全局医疗模型聚合方法中引入动态调整策略，降低全局模型在各参与方之间的性能差异提升公平性。
-
公开(公告)号：CN119995953A
公开(公告)日：2025-05-13
申请号：CN202510067733.5
申请日：2025-01-16
Applicant: 北京工业大学
Abstract: 本发明公开了集成标签传播和模糊标签分配的物联网入侵检测方法，所述方法包括伪标签生成阶段、伪标签集成阶段、入侵检测模型训练三个阶段。客户端利用已标记流量数据和未标记流量数据间的相似性，采用两种伪标签分配方法，给未标记流量数据分配伪标签。并使用集成学习方式整合两种未标记流量数据伪标签分配方法的结果，提高未标记流量数据伪标签的准确率，减少错误伪标签给入侵检测模型带来的负面影响，进一步提高入侵检测模型准确率。
-
公开(公告)号：CN119830348A
公开(公告)日：2025-04-15
申请号：CN202510027700.8
申请日：2025-01-08
Applicant: 北京工业大学
Abstract: 本发明公开了支持隐私保护的区块链联邦学习中毒攻击防御方法，涉及初始化、模型训练与盲化、恶意检测、模型聚合及模型更新五个环节。本方法在恶意检测过程中以历史模型更新的形式累积异常波动，以凸显恶意行为特征，实现对恶意行为的精准识别，从而有效防御中毒攻击，提升全局模型的鲁棒性。此外，本方法的中毒攻击防御效果不会由于模型更新被保护而受到影响，既能够实现利用原始特征进行恶意检测，又避免直接暴露参与者数据隐私，一定程度上缓解了实施隐私保护后模型更新的原始特征被隐藏而不利于恶意检测的准确识别这一矛盾，从而进一步增强区块链联邦学习整体的安全性。
-
-
-
Search Results
4
records
(took 0.025 seconds)
