公开(公告)号：CN117573975B

公开(公告)日：2024-12-13

申请号：CN202311548012.3

申请日：2023-11-17

Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) ,  鹏城实验室

Inventor： 廖清 ,  郑栋毅 ,  张鸿宇 ,  徐国爱 ,  冯纪元 ,  杨旭 ,  刘永恒

IPC: G06F16/9535 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/048 ,  G06N3/098

Abstract: 本发明提供了一种联邦跨领域的信息推荐方法、装置、终端设备及介质，所述信息推荐方法从服务器获取预先训练好的跨域序列推荐模型，并且通过用户的交互信息，确定对用户的推荐建议。该模型由服务器将多个本地模型聚合得到，每个本地模型对应一个客户端，并且每个本地模型在对应的客户端本地训练得到，这样，对于客户端来说，不需要将本地的数据上传到服务器，也可以通过服务器训练得到跨域序列推荐模型，然后从服务器获取该模型并进行应用，确保了客户端数据拥有方的数据隐私，此外相比现有的定制化推荐模型，跨域序列推荐模型通过多个本地模型聚合得到并且各本地模型分别由对应客户端本地训练得到，可以有效提高跨域序列推荐模型的性能和质量。

公开(公告)号：CN117573975A

公开(公告)日：2024-02-20

申请号：CN202311548012.3

申请日：2023-11-17

Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) ,  鹏城实验室

Inventor： 廖清 ,  郑栋毅 ,  张鸿宇 ,  徐国爱 ,  冯纪元 ,  杨旭 ,  刘永恒

IPC: G06F16/9535 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/048 ,  G06N3/098

Abstract: 本发明提供了一种联邦跨领域的信息推荐方法、装置、终端设备及介质，所述信息推荐方法从服务器获取预先训练好的跨域序列推荐模型，并且通过用户的交互信息，确定对用户的推荐建议。该模型由服务器将多个本地模型聚合得到，每个本地模型对应一个客户端，并且每个本地模型在对应的客户端本地训练得到，这样，对于客户端来说，不需要将本地的数据上传到服务器，也可以通过服务器训练得到跨域序列推荐模型，然后从服务器获取该模型并进行应用，确保了客户端数据拥有方的数据隐私，此外相比现有的定制化推荐模型，跨域序列推荐模型通过多个本地模型聚合得到并且各本地模型分别由对应客户端本地训练得到，可以有效提高跨域序列推荐模型的性能和质量。

公开(公告)号：CN116306986A

公开(公告)日：2023-06-23

申请号：CN202211569899.X

申请日：2022-12-08

Applicant: 哈尔滨工业大学(深圳)

Inventor： 廖清 ,  杨旭 ,  冯纪元 ,  贾焰 ,  方滨兴

IPC: G06N20/20

Abstract: 本发明公开一种基于动态亲和力聚合的联邦学习方法及相关设备，所述方法包括：服务器端发送初始化模型至所有客户端；客户端利用预存的本地数据对初始化模型进行模型训练，得到经过训练后的模型参数后；服务器端根据类别数量组成数据分布向量后，计算所有客户端之间的亲和力值；服务器端根据经过训练后的模型参数和亲和力值生成每个客户端在本轮中的个性化全局模型；客户端在每轮通信上结合个性化全局模型更新经过训练后的模型参数，直至服务器端执行完所有的通信轮次。通过服务器端根据经过训练后的模型参数和所有客户端之间的亲和力值，生成每个客户端的个性化全局模型，以便客户端进行更新训练后的模型参数，从而有效地提升联邦学习的模型性能。

公开(公告)号：CN116306986B

公开(公告)日：2024-01-12

申请号：CN202211569899.X

申请日：2022-12-08

Applicant: 哈尔滨工业大学(深圳)

Inventor： 廖清 ,  杨旭 ,  冯纪元 ,  贾焰 ,  方滨兴

IPC: G06N20/20

Abstract: 本发明公开一种基于动态亲和力聚合的联邦学习方法及相关设备，所述方法包括：服务器端发送初始化模型至所有客户端；客户端利用预存的本地数据对初始化模型进行模型训练，得到经过训练后的模型参数后；服务器端根据类别数量组成数据分布向量后，计算所有客户端之间的亲和力值；服务器端根据经过训练后的模型参数和亲和力值生成每个客户端在本轮中的个性化全局模型；客户端在每轮通信上结合个性化全局模型更新经过训练后的模型参数，直至服务器端执行完所有的通信轮次。通过服务器端根据经过训练后的模型参数和所有客户端之间的亲和力值，生成每个客户端的个性化全局模型，以便客户端进行更新训练后的模型参数，从而有效地提(56)对比文件应作斌等.动态聚合权重的隐私保护联邦学习框架《.网络与信息安全学报》.2022,第8卷(第5期),56-65.陈飞扬等.FCAT-FL:基于Non-IID数据的高效联邦学习算法《.南京邮电大学学报(自然科学版)》.2022,第42卷(第3期),90-99.Zhiyuan Zhao等.A Dynamic ReweightingStrategy For Fair Federated Learning.《2022 IEEE International Conference onAcoustics, Speech and Signal Processing》.2022,8772-8776.You Jun Kim等.Blockchain-based Node-aware Dynamic Weighting Methods forImproving Federated Learning Performance.《2019 20th Asia-Pacific NetworkOperations and Management Symposium》.2019,1-4.