-
公开(公告)号：CN119670075A
公开(公告)日：2025-03-21
申请号：CN202510186398.0
申请日：2025-02-20
Applicant: 华侨大学
IPC: G06F21/55 , G06N3/0895 , G06F18/10 , G06F18/214 , G06F18/2433
Abstract: 本发明提供一种基于解耦学习过程的深度学习模型后门攻击防御方法，属于人工智能和深度学习领域，包括：利用被篡改的数据集，以最小化第一损失函数的方式对深度学习模型进行监督学习训练；分别计算每个干净样本和中毒样本的预测熵，对预测熵进行过滤得到干净子集；利用干净子集，以最大化第二损失函数的方式对监督学习训练后的深度学习模型进行主动遗忘训练；删除数据集中除干净子集之外的样本的标签得到无标签数据集，将无标签数据集与干净子集合并形成半监督数据集，利用半监督数据集对主动遗忘训练后的深度学习模型进行半监督微调训练。本发明的鲁棒性强，成本低，防御效果显著。
-
公开(公告)号：CN119670075B
公开(公告)日：2025-04-29
申请号：CN202510186398.0
申请日：2025-02-20
Applicant: 华侨大学
IPC: G06F21/55 , G06N3/0895 , G06F18/10 , G06F18/214 , G06F18/2433
Abstract: 本发明提供一种基于解耦学习过程的深度学习模型后门攻击防御方法，属于人工智能和深度学习领域，包括：利用被篡改的数据集，以最小化第一损失函数的方式对深度学习模型进行监督学习训练；分别计算每个干净样本和中毒样本的预测熵，对预测熵进行过滤得到干净子集；利用干净子集，以最大化第二损失函数的方式对监督学习训练后的深度学习模型进行主动遗忘训练；删除数据集中除干净子集之外的样本的标签得到无标签数据集，将无标签数据集与干净子集合并形成半监督数据集，利用半监督数据集对主动遗忘训练后的深度学习模型进行半监督微调训练。本发明的鲁棒性强，成本低，防御效果显著。
-
公开(公告)号：CN111753885B
公开(公告)日：2023-09-01
申请号：CN202010518162.X
申请日：2020-06-09
Applicant: 华侨大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895 , G06V10/74 , H04L67/10 , H04L67/12 , H04L9/40
Abstract: 一种基于深度学习的隐私增强数据处理方法和系统,用于对车辆节点上传的感知数据进行数据分析和预处理，其特征在于，包括如下步骤：1)使用基于均值哈希的图像指纹计算法，剔除感知数据中的相似数据；2)对带标签的数据集和无标签数据集进行数据增强，采用增强后的数据训练并测试基于半监督学习的分类模型；3)将步骤1)得到的数据输入训练好的半监督学习的分类模型，剔除不相关数据。本发明基于半监督学习和图像指纹的数据收集和预处理方案显著降低了上传到云端的数据量，同时有效保护了用户的数据隐私。
-
Patent Agency Ranking
公开(公告)号：CN112181971A
公开(公告)日：2021-01-05
申请号：CN202011166681.0
申请日：2020-10-27
IPC: G06F16/215 , G06F16/242 , G06F16/2455 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质，方法包括：根据设备所在的局域网地址，对设备聚类，将在每个局域网部署一个移动边缘节点服务器；参与训练的终端设备接收到云端发来的全局模型，在本地数据上训练得到本地更新模型；计算终端设备本地更新模型参数与全局模型参数间的余弦相似度；判定所述余弦相似度是否大于设定阈值，若余弦相似度大于设定阈值的本地更新模型，传输到移动边缘节点服务器参与边缘聚合，得到簇模型；将局域网的簇模型发送到云端参与全局聚合，得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。
-
公开(公告)号：CN110532245B
公开(公告)日：2022-03-11
申请号：CN201910780228.X
申请日：2019-08-22
Applicant: 华侨大学
IPC: G06F16/21 , G06F16/22 , G06F16/242 , G06F16/245 , G06F16/28
Abstract: 本发明属于信息数据技术领域，公开了一种存储端数据处理模式中的算子问题信息处理方法，包括：分析大量典型的SQL语句，利用DBMS进行查询优化，得到优化后的查询计划；通过得到的查询计划构造算子间的前置和后置关系，并对算子间的前置和后置关系进行总结分析，明确在不同SQL语句中，算子之间的前置关系；计算各个算子的前置算子的种类与数量，评估某个算子是否适合下移以及下移后的效果；基于评估结果，将适合下移的算子下移到存储端SSD中，不适合下移的算子依然留在主机端执行。本发明通过明确算子的前置关系，确定可以下移到存储端的算子集合，能够有效减少总线的数据传输量，提高系统总体性能；对系统性能的优化有重要作用和必要性。
-
公开(公告)号：CN111753885A
公开(公告)日：2020-10-09
申请号：CN202010518162.X
申请日：2020-06-09
Applicant: 华侨大学
Abstract: 一种基于深度学习的隐私增强数据处理方法和系统,用于对车辆节点上传的感知数据进行数据分析和预处理，其特征在于，包括如下步骤：1)使用基于均值哈希的图像指纹计算法，剔除感知数据中的相似数据；2)对带标签的数据集和无标签数据集进行数据增强，采用增强后的数据训练并测试基于半监督学习的分类模型；3)将步骤1)得到的数据输入训练好的半监督学习的分类模型，剔除不相关数据。本发明基于半监督学习和图像指纹的数据收集和预处理方案显著降低了上传到云端的数据量，同时有效保护了用户的数据隐私。
-
公开(公告)号：CN110532245A
公开(公告)日：2019-12-03
申请号：CN201910780228.X
申请日：2019-08-22
Applicant: 华侨大学
IPC: G06F16/21 , G06F16/22 , G06F16/242 , G06F16/245 , G06F16/28
Abstract: 本发明属于信息数据技术领域，公开了一种存储端数据处理模式中的算子问题信息处理方法，包括：分析大量典型的SQL语句，利用DBMS进行查询优化，得到优化后的查询计划；通过得到的查询计划构造算子间的前置和后置关系，并对算子间的前置和后置关系进行总结分析，明确在不同SQL语句中，算子之间的前置关系；计算各个算子的前置算子的种类与数量，评估某个算子是否适合下移以及下移后的效果；基于评估结果，将适合下移的算子下移到存储端SSD中，不适合下移的算子依然留在主机端执行。本发明通过明确算子的前置关系，确定可以下移到存储端的算子集合，能够有效减少总线的数据传输量，提高系统总体性能；对系统性能的优化有重要作用和必要性。
-
公开(公告)号：CN112181971B
公开(公告)日：2022-11-01
申请号：CN202011166681.0
申请日：2020-10-27
IPC: G06F16/215 , G06F16/242 , G06F16/2455 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质，方法包括：根据设备所在的局域网地址，对设备聚类，将在每个局域网部署一个移动边缘节点服务器；参与训练的终端设备接收到云端发来的全局模型，在本地数据上训练得到本地更新模型；计算终端设备本地更新模型参数与全局模型参数间的余弦相似度；判定所述余弦相似度是否大于设定阈值，若余弦相似度大于设定阈值的本地更新模型，传输到移动边缘节点服务器参与边缘聚合，得到簇模型；将局域网的簇模型发送到云端参与全局聚合，得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.03 seconds)
