鲁棒的个性化联邦学习方法、装置、系统及存储介质

    公开(公告)号:CN116962085A

    公开(公告)日:2023-10-27

    申请号:CN202311213109.9

    申请日:2023-09-20

    Abstract: 本说明书实施例提供了一种鲁棒的个性化联邦学习方法、装置及系统,方法包括:服务器接收来自多个客户端的模型更新数据,模型更新数据为在客户端上训练的本地模型的参数在训练前后的参数差值;服务器根据模型更新数据,得到各模型更新数据之间的基于α的层位置正则化相似度;服务器针对每一个客户端,根据基于α的层位置正则化相似度,得到模型更新数据的权重;服务器根据模型更新数据的权重和模型更新数据,分别得到各客户端对应的聚合模型更新数据;服务器发送聚合模型更新数据到各客户端。本申请提供的技术方案用以解决在联邦学习中系统中存在恶意攻击者时,通过本地协作训练算法同时训练本地模型和聚合模型来抵御恶意客户端的投毒攻击问题。

    一种基于联邦节点贡献的公平性隐私计算方法

    公开(公告)号:CN116306910A

    公开(公告)日:2023-06-23

    申请号:CN202211089847.2

    申请日:2022-09-07

    Abstract: 本发明提供了一种基于联邦节点贡献的公平性隐私计算方法。该方法包括:客户端使用本地数据集训练本地模型,服务器端额外收集根数据集以便对客户端的贡献进行评估;服务器计算每个客户端的贡献值,根据客户端的贡献值评估客户端的节点信誉,按照比例公平聚合各个客户端的参数更新;各个客户端根据自身的训练贡献从服务器端下载相应的全局模型作为计算回报,进行下一轮本地训练更新。本发明在层级上比较了参与端本地模型每一层与全局模型对应层之间的差异性,根据每个客户端的实际贡献为每个客户端分配与节点信誉相匹配的全局模型参数,能够促进联邦节点在全局聚合和计算回报过程中的公平性。

    一种基于区块链可验证安全的联邦学习方法

    公开(公告)号:CN116049816A

    公开(公告)日:2023-05-02

    申请号:CN202310027342.1

    申请日:2023-01-09

    Abstract: 本发明提供了一种基于区块链可验证安全的联邦学习方法。该方法包括:各个参与方从区块链上下载全局模型,在本地进行训练得到本地模型,将本地模型数据上传至区块链,参与方从区块链上下载其余参与方本轮上传的本地模型,对其余参与方的本地模型进行检测和评分,将评分结果上传至区块链上;智能合约对所用参与方上传的评分结果进行统计和评分,择优选择性能较好的多个本地模型进行聚合,得到最新的全局模型,智能合约根据当前轮次的各个参与方行为进行信誉评分,将各个参与方的信誉评分结果存储在区块链上。本发明方法通过让参与方依据欧氏距离计算模型相似度,可以同时检测出联邦学习中的多种投毒攻击,可以最大程度保证全局模型的性能表现。

    基于端边云协同的列车群分布式控制系统及方法

    公开(公告)号:CN116001871A

    公开(公告)日:2023-04-25

    申请号:CN202211674118.3

    申请日:2022-12-26

    Abstract: 本发明提供一种基于端边云协同的列车群分布式控制系统及方法,属于列车运行控制技术领域,包括:云端服务器、云端列车规划调度中心、边缘端决策服务器和终端列车信息采集设备;云端列车规划调度中心与云端服务器、边缘端决策服务器、终端列车信息采集设备连接。本发明实现了分布式列车群调度,减少调度中心通信资源消耗;减少了云端调度中心的计算决策负载,提升了列车群控制决策的实时性和可靠性。

    一种基于相机特征分离的目标重识别方法

    公开(公告)号:CN114140826A

    公开(公告)日:2022-03-04

    申请号:CN202111468443.X

    申请日:2021-12-03

    Abstract: 本发明提供了一种基于相机特征分离的目标重识别方法,包括如下步骤:步骤1:对数据进行预处理;步骤2:通过编码器提取样本特征,基于特征聚类生成伪标签;步骤3:基于注意力模块分离Feature Map;步骤4:向前传播得到目标和相机分类结果;步骤5:计算损失函数;步骤6:对模型进行优化计算;步骤7:得到测试模型的效果;步骤8:得到无监督目标重识别的解决方案;本申请相比于现有的消除相机影响的无监督目标重识别方法,用注意力模块直接分离相机特征更加直接,比二阶段方法更加简单;基于类别下相机中心的四元中心损失可以避免基于样本的度量损失的训练过程不稳定的现象。

    一种基于多层注意力的深度分层图像语义分割方法

    公开(公告)号:CN114140469A

    公开(公告)日:2022-03-04

    申请号:CN202111462219.X

    申请日:2021-12-02

    Abstract: 本发明提供了一种基于多层注意力的深度分层图像语义分割方法。该方法包括:构建图像语义分割模型,对训练图像进行预处理,得到包括训练图像的特征图的分割图像;通过图像语义分割模型使用多个不同大小的池化核对特征图进行池化处理,使用注意力函数对每一池化核层处理后得到的特征图进行注意力的计算,利用添加权重的交叉熵损失函数计算损失,使用损失进行梯度反向传播,得到训练好的图像语义分割模型;利用训练好的图像语义分割模型进行待分割的图像的语义分割处理。本发明图像语义分割模型在分层网络中添加了注意力机制,获得了全局的上下文信息,抑制无用的噪声。使用加权的交叉熵损失函数,使每个神经元获得到全局的上下文信息。

    基于全局和局部标记关系的偏多标记学习方法

    公开(公告)号:CN111582506A

    公开(公告)日:2020-08-25

    申请号:CN202010411579.6

    申请日:2020-05-15

    Abstract: 本发明提供了一种基于全局和局部标记关系的偏多标记学习方法。该方法包括:构建特征信息矩阵,利用特征信息矩阵构建不精确标记矩阵;利用低秩稀疏表示模型将不精确标记矩阵分解为噪声标记矩阵和正确标记系数矩阵,利用噪声标记矩阵、正确标记系数矩阵和特征信息矩阵构建所有标记的预测模型;基于正确标记系数矩阵、噪声矩阵和预测模型构建偏多标记学习模型,采用块坐标下降法迭代更新方法训练偏多标记学习模型,得到训练好的预测模型;将未见示例输入到训练好的预测模型,得到未见示例对应的标记。本发明的方法充分利用了全局和局部标签的相关性,去除有噪声的标签,通过低秩表示来训练分类器,从而提高算法的性能。

    智能停车场中的AGV调度方法

    公开(公告)号:CN110471418A

    公开(公告)日:2019-11-19

    申请号:CN201910779887.1

    申请日:2019-08-22

    Abstract: 本发明提供了一种智能停车场中的AGV调度方法。该方法包括:服务器采集并存储停车场范围区域内的道路信息和停车位的状态信息;当有停车任务到达时,服务器基于停车场范围区域中的道路信息和停车位的状态信息使用广度优先算法进行最优停车位的选择;以停车场的入口处为起点,以最优停车位为终点,服务器采用改进的Dijkstra算法计算出起点和终点之间的最优停车路径;服务器通过无线通信网络将最优停车路径发送给停车场的入口处的AGV,该AGV按照最优停车路径进行停车操作。本发明的方法的复杂度降低,实时性得到显著提高,可以满足实时调度AGV、高效规划AGV路径的实际任务要求。

Patent Agency Ranking