-
公开(公告)号：CN119210465A
公开(公告)日：2024-12-27
申请号：CN202411579167.8
申请日：2024-11-07
Applicant: 湖南科技大学
Abstract: 本发明涉及电数字数据处理技术领域，具体公开一种自适应压缩编码的分层联邦学习方法，该方法包括：分层联邦学习架构构建、边缘服务器匹配、模型生成性能判断、压缩率匹配以及分层联邦学习架构判断，首先构建出分层联邦学习架构，使得每一层都能充分利用其计算资源，通过匹配得到终端设备对应的边缘服务器，各终端设备用于生成环境数据训练模型，根据边缘服务器的网络传输性能得到对应的压缩率，边缘服务器接收各终端设备的环境数据训练模型并按照对应的压缩率依次进行自适应压缩编码以及边缘聚合，云服务器接收边缘聚合结果并进行全局聚合，最终判断分层联邦学习架构所属云服务器是否将全局聚合对应结果上传至环境资源调度云平台。
-
公开(公告)号：CN119728753B
公开(公告)日：2025-05-06
申请号：CN202510218358.X
申请日：2025-02-26
Applicant: 湖南科技大学
IPC: H04L67/2866 , H04L67/288 , H04L67/2885 , H04L67/1097 , H04W28/084 , H04W28/08 , G06N3/098 , G06F18/23213
Abstract: 本发明属于云‑边‑端协同训练技术领域，公开了一种面向异构资源和数据的高效分层联邦学习方法，包括：将每个边缘服务器ES端的移动设备MD根据计算能力和数据分布进行分组，使得每个组具有最大的数据分布相似性。同时将计算能力强的设备均匀的分布在不同组中，减少组间计算能力的差异性。同时，本发明设备端采用组内环形顺序训练方法，将训练好的模型传输给下一个连接的设备，减少了与移动设备MD与边缘服务器ES间的通信链路，提高了模型训练的效率。本发明利用设备之间的通信代替设备与服务器之间的通信，减少了与服务器通信的链路条数，增大了通信带宽，可以实现在减少通信开销的同时增强知识的融合。
-
公开(公告)号：CN119721187A
公开(公告)日：2025-03-28
申请号：CN202510217551.1
申请日：2025-02-26
Applicant: 湖南科技大学
IPC: G06N3/098 , G06N3/063 , G06N3/0464 , G06N3/10
Abstract: 本发明公开了一种基于张量填充的遍历式联邦学习方法及系统，包括：基于设备位宽对相应梯度进行分层张量建模；在服务器端将不同梯度中同一模型层的参数归类，将各层分别建模为一个张量；基于张量填充技术将位宽恢复组件中张量对应的不同位宽梯度进行对齐，并对所有梯度进行加权聚合，基于聚合后的权重生成新的全局模型；通过遍历窗口机制，在服务器和客户端中，选取全局模型的不同层进行每一轮训练，使全局模型在低容量设备中均匀训练，直到全局模型收敛。本发明通过结合张量填充和基于遍历的部分模型训练技术，利用张量分解和重构技术迭代恢复模型参数的精度，并采用遍历分层的方式适应不同设备的能力，确保资源受限的客户端也能均衡参与训练。
-
公开(公告)号：CN119272846A
公开(公告)日：2025-01-07
申请号：CN202411789943.7
申请日：2024-12-06
Applicant: 湖南科技大学
IPC: G06N3/098 , G06N3/0442 , G06F18/2433 , G06F18/243
Abstract: 本发明公开了一种基于孤立森林异常检测的安全分层联邦学习方法,涉及电数字数据处理技术领域。该方法，包括以下步骤：在边缘服务器端建立GRU自注意力模型，通过GRU自注意力模型对全局参数提取时序特征状态，使用孤立森林算法对聚合后的GRU自注意力模型更新参数的时序特征状态建树，对比异常检测强度评估系数与GRU自注意力模型参数聚合后的异常检测强度阈值，根据对比结果采取自适应调整异常检测强度或发出警报的措施。本发明通过为每个服务器生成个性化的异常检测强度阈值决策，充分考虑不同服务器所遭受的攻击程度差异，合理分配检测强度，达到了提高服务器安全性的效果，解决了现有技术中存在服务器安全性不足的问题。
-
-
-
Search Results
14
records
(took 0.016 seconds)
