面向大规模产业链隐私计算的联邦学习模型训练方法

    公开(公告)号:CN114169412A

    公开(公告)日:2022-03-11

    申请号:CN202111397160.0

    申请日:2021-11-23

    Abstract: 本发明提供一种面向大规模产业链隐私计算的联邦学习模型训练方法。所述方法包括:由联邦学习中心服务器节点以非独立同分布为目标划分产业链业务训练数据集,并分发至多个联邦学习工人节点;联邦学习工人节点基于目标利润函数迭代训练本地模型;聚合服务器节点在聚合每个联邦学习工人节点发送的更新后的本地模型权重后,根据各个本地模型权重分布和整体本地模型权重分布,计算每个联邦学习工人节点对应的地动距离,并剔除超过预设距离阈值的联邦学习工人节点;由剩余的联邦学习工人节点继续进行模型训练。本发明在联邦学习模型训练过程中将分布差异过大的数据分布剔除,减少异质性数据带来的精度损失,提高了传统算法在产业链中的应用可靠性。

    一种基于元启发优化策略的资源分配方法

    公开(公告)号:CN119743798A

    公开(公告)日:2025-04-01

    申请号:CN202411814389.3

    申请日:2024-12-11

    Abstract: 本发明属于无线通信技术领域,具体涉及一种基于元启发优化策略的资源分配方法。将无线通信中资源有限的边缘计算卸载场景表示为优化问题;利用元启发优化策略求解上述优化问题,并利用层次增强鲸鱼优化算法解决问题,所述层次增强鲸鱼优化算法引入非线性收缩因子和分层优化机制。本发明通过引入非线性收缩因子和层次优化结构,增强算法的全局搜索能力和局部开发能力,避免陷入局部最优,从而确保资源分配方案接近全局最优解。在改进的LEWOA中,优化了算法的搜索策略,减少了计算复杂度,使其更适合车联网中对时延和实时性要求较高的场景,确保系统快速响应和高效运作。

    基于信誉反向拍卖的联邦学习激励方法、系统和存储介质

    公开(公告)号:CN116720593A

    公开(公告)日:2023-09-08

    申请号:CN202310604521.7

    申请日:2023-05-24

    Abstract: 本发明公开了基于信誉反向拍卖的联邦学习激励方法、系统和存储介质,属于联邦学习技术领域。本发明的基于信誉机制和反向拍卖的联邦学习激励方法,通过构建信誉评估模型、反向拍卖学习模型、联邦学习服务器,对若干客户端的信誉数据进行评估,进而筛选出一个或多个客户端作为候选客户端;然后对候选客户端的密封投标数据进行求解,筛选出一个或多个最佳客户端;并根据交互信息,对最佳客户端进行信誉评估,得到信誉激励值;再对最佳客户端的信誉数据进行更新,从而完成基于信誉机制和反向拍卖的联邦学习激励,能够有效保证整个激励机制的真实性和可靠性,同时能够激励更多具有高质量数据和高信誉值的客户端参与联邦学习。

    一种相位梯度超表面单元、超单元以及反射阵列

    公开(公告)号:CN107039771A

    公开(公告)日:2017-08-11

    申请号:CN201610832562.1

    申请日:2016-09-19

    Abstract: 本发明实施例提供了一种相位梯度超表面单元、超单元以及反射阵列,超表面单元包括介质板,介质板包括第一正方形表面和与第一正方形表面相对的第二正方形表面,第一正方形表面上设置有S形金属贴片,第二正方形表面上设置有金属接地板。超单元包括2n个超表面单元,其中n为正整数,2n个超表面单元以第一正方形表面为正面顺序排列,2n个超表面单元中的S形金属贴片的缺口距离或缺口方向不同。反射阵列包括多个超单元,所述多个超单元以第一正方形表面为正面顺序排列。本发明实施例提供的相位梯度超表面单元、超单元以及反射阵列,可以提高电磁波调控的反射率,还可以改变电磁波的极化方向,具有极化偏转性能。

Patent Agency Ranking