-
公开(公告)号：CN117689009B
公开(公告)日：2024-07-05
申请号：CN202410123123.8
申请日：2024-01-30
Applicant: 东北大学
Abstract: 本发明属于个性化联邦学习场景下的通信优化技术领域，公开了一种面向正则化个性化联邦训练的通信优化方法。该方法通过理论分析得到基于部分层正则项损失函数的泛化上界，并比较基于部分层正则项损失函数和全部层正则项损失函数的泛化上界，得到筛选上传层的条件，有效解决了个性化联邦训练中的通信代价高、现有通信优化方法没有理论分析的问题。该方法不仅能降低通信代价，而且不会降低模型性能，同时不会增加计算负载，对于真实的个性化联邦环境具有相当的适用价值。
-
公开(公告)号：CN117689009A
公开(公告)日：2024-03-12
申请号：CN202410123123.8
申请日：2024-01-30
Applicant: 东北大学
Abstract: 本发明属于个性化联邦学习场景下的通信优化技术领域，公开了一种面向正则化个性化联邦训练的通信优化方法。该方法通过理论分析得到基于部分层正则项损失函数的泛化上界，并比较基于部分层正则项损失函数和全部层正则项损失函数的泛化上界，得到筛选上传层的条件，有效解决了个性化联邦训练中的通信代价高、现有通信优化方法没有理论分析的问题。该方法不仅能降低通信代价，而且不会降低模型性能，同时不会增加计算负载，对于真实的个性化联邦环境具有相当的适用价值。
-
公开(公告)号：CN117641363A
公开(公告)日：2024-03-01
申请号：CN202410105622.4
申请日：2024-01-25
Applicant: 东北大学
IPC: H04W12/60 , H04W12/02 , H04W12/069 , H04W12/122 , H04W4/44 , H04W4/08
Abstract: 本发明属于车联网网络安全领域，公开了一种基于聚簇的车联网信任管理方法。包括一种基于簇结构的分层式信任管理模型和基于权重的多属性分簇算法，簇结构通过基于权重的多属性分簇算法生成；本发明通过在簇结构的基础上设计相应的信任管理方案，兼顾节点区域性的局部信任和网络整体的全局信任，能有效提升信任管理的有效性。同时，本发明综合考虑多种属性对簇结构的影响，设计了新的基于权重的多属性分簇算法，构建稳定可靠的簇结构，给信任管理方案的稳定运行提供了基础。
-
公开(公告)号：CN113947210A
公开(公告)日：2022-01-18
申请号：CN202111169752.7
申请日：2021-10-08
Applicant: 东北大学
IPC: G06N20/00
Abstract: 本发明属于边缘计算技术领域，提供了一种移动边缘计算中的云边端联邦学习方法，以降低通信轮次，提高所提出的三层边缘计算架构中的训练的机器学习模型可靠性。通过让边缘服务器参与联邦学习训练过程，通过动态调整终端设备中的训练轮次来最小化边缘服务器和终端设备之间的通信轮次。通过最小化边缘服务器和终端设备之间的通信轮次降低了在传输模型过程中由于信道带宽等因素导致的模型参数丢失问题。
-
Patent Agency Ranking
公开(公告)号：CN117765572B
公开(公告)日：2024-08-09
申请号：CN202410195598.8
申请日：2024-02-22
Applicant: 东北大学
IPC: G06V40/10 , G06V10/12 , G06V10/44 , G06V10/42 , G06V10/774 , G06V10/764 , G06N20/00
Abstract: 本发明属于计算机视觉应用技术领域，公开了一种基于联邦学习的行人重识别方法。由服务器、客户端、摄像头构成三层架构，通过快速傅里叶算法在客户端之间共享本地数据的低级分布信息，同时设计片段共享机制，有效减少通信开销。采用端内跨域注意力一致性解决联邦行人重识别模型泛化能力差的问题，通过约束类无关注意力的一致性，以促进模型关注原始图片和对应傅里叶变换增强图片相同的图像区域，增强模型对领域不变信息的提取，提升模型的泛化能力。同时为了有效地避免异常信息的干扰，提出一种端内跨域异中心样本，可有效避免异常样本的干扰，提升检测性能。
-
公开(公告)号：CN117808123B
公开(公告)日：2024-07-05
申请号：CN202410219428.9
申请日：2024-02-28
Applicant: 东北大学
IPC: G06N20/00 , G06F18/214
Abstract: 本发明属于移动边缘计算与分布式机器学习应用领域，公开了一种基于多中心分层联邦学习的边缘服务器再分配方法。基于多中心分层联邦学习架构，提出了一种边缘服务器重新分配方案。通过建立MHFL的训练成本分析模型，从理论上分析了联邦学习训练消耗，并量化了边缘服务器分配对联邦学习收敛性的影响。为重新分配边缘服务器，提高MHFL的训练效率，将其建模为一个基于多项目拍卖边缘服务器再分配问题。由于该问题是混合整数线性规划问题，无法在多项式内求解，为了简化问题和改善决策，提出了一种基于联盟结构生成的算法及其贪婪匹配的版本。最后，通过进行了大量的数值实验，结果验证了该方案的有效性。
-
公开(公告)号：CN117641363B
公开(公告)日：2024-05-10
申请号：CN202410105622.4
申请日：2024-01-25
Applicant: 东北大学
IPC: H04W12/60 , H04W12/02 , H04W12/069 , H04W12/122 , H04W4/44 , H04W4/08
Abstract: 本发明属于车联网网络安全领域，公开了一种基于聚簇的车联网信任管理方法。包括一种基于簇结构的分层式信任管理模型和基于权重的多属性分簇算法，簇结构通过基于权重的多属性分簇算法生成；本发明通过在簇结构的基础上设计相应的信任管理方案，兼顾节点区域性的局部信任和网络整体的全局信任，能有效提升信任管理的有效性。同时，本发明综合考虑多种属性对簇结构的影响，设计了新的基于权重的多属性分簇算法，构建稳定可靠的簇结构，给信任管理方案的稳定运行提供了基础。
-
公开(公告)号：CN117892154A
公开(公告)日：2024-04-16
申请号：CN202410292307.7
申请日：2024-03-14
Applicant: 东北大学
Abstract: 本发明属于联邦学习场景下的个性化技术领域，公开了一种个性化联邦场景下基于数据分布相似性的聚类方法。不同用户数据在相同模型下的softmax输出均值近似表示用户的真实数据分布，计算Wasserstein距离得到真实数据分布之间的相似性。采用改进的两阶段的层次聚类的方法做聚类，确定簇结构。最后，各个用户分别在自己的簇内做联邦平均，各自更新每个簇的簇头模型，直到簇头模型收敛。本发明减少中央服务器在执行聚类算法时的计算开销，提升了确定最优簇结构的效率，增强了聚类算法的鲁棒性，有效解决了聚类联邦学习训练效率低的问题。对于真实的联邦环境具有相当的适用价值。
-
公开(公告)号：CN111800419A
公开(公告)日：2020-10-20
申请号：CN202010639933.0
申请日：2020-07-06
Applicant: 东北大学
IPC: H04L29/06
Abstract: 本发明属于SDN中入侵检测算法领域，公开了一种SDN环境下DDoS攻击检测系统及方法。为了及时有效的识别出网络中的异常流量，减少DDoS攻击对网络资源的消耗，结合MD-SAL框架，设计了一个DDoS攻击防御系统。该系统包括异常检测模块、防误判模块、流量处理模块、异常存储模块及信息查看模块。该系统能识别出网络中流量的异常，及时报警通知系统进行制定相应防御措施，最后根据源IP，目的IP等事先RPC预设值来查看攻击信息，基于TDMC算法实现对可疑流量的准确分类。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.02 seconds)
