-
公开(公告)号：CN118070926A
公开(公告)日：2024-05-24
申请号：CN202410483842.0
申请日：2024-04-22
Applicant: 东北大学
IPC: G06N20/00
Abstract: 本发明属于联邦学习场景下的资源自适应技术领域，公开了一种基于客户端资源自适应的多任务联邦学习方法。解决异质计算资源与多任务学习场景下对联邦学习系统性能和模型训练效果的影响，提高联邦学习在资源与任务异构环境下的效率和鲁棒性。提出客户端计算资源自适应的模型弹性缩放与基于任务相关性的多任务联邦学习聚合两种关键技术，将联邦学习模型分为底层基础模型与上层任务模型，在底层基础模型上实现计算资源自适应弹性缩放与分层聚合策略。提出任务相关性多任务联邦学习聚合方法，相同任务客户端构建任务模型相似图，采用k‑core聚合方法实现任务模型稳定训练减少数据异质影响。
-
公开(公告)号：CN117650953B
公开(公告)日：2024-05-10
申请号：CN202410126816.2
申请日：2024-01-30
Applicant: 东北大学
IPC: H04L9/40
Abstract: 本发明属于软件定义网络安全范畴技术领域，公开了一种应用于软件定义网络的轻量级路径验证方法。针对现有路径验证过程中的高带宽消耗、过多的存储需求以及控制器的大量计算资源消耗问题，本发明的核心在于采用一种不可交换计算的方法保持验证头部的尺寸不随路径长度的变化而改变，从而大幅降低路径验证过程中的带宽消耗。此外，本发明通过实现基于网络流的路径验证，而非依赖于单个数据包的验证，显著降低了数据平面的存储需求以及控制器执行路径验证时的计算资源消耗。这一轻量级的路径验证方案不仅提高了验证效率，而且降低了网络运行的整体成本，适用于各种大规模和动态变化的网络环境，具有广泛的应用潜力。
-
公开(公告)号：CN113946829B
公开(公告)日：2024-05-10
申请号：CN202111169746.1
申请日：2021-10-08
Applicant: 东北大学
Abstract: 本发明属于车联网安全技术领域，提供了一种基于区块链的车联网分布式信任系统。该机制中提出了一种新的信任模型，模型将整个车联网分成不同的自治区域，每个自治区域内部的RSU自主进行自治区内部的信任机制的运行，在自治区域内部使用临时区块链达成自治区域内部数据一致性，在自治区域之间通过永久区块链共识机制达成数据全局一致性。通过提出新的信任计算方法和改进永久区块链共识机制来使信任机制可用并使区块链更新速度加快。
-
公开(公告)号：CN117891532A
公开(公告)日：2024-04-16
申请号：CN202410298713.4
申请日：2024-03-15
Applicant: 东北大学
Abstract: 本发明属于移动边缘计算网络技术领域，公开了一种基于注意力多指标排序的终端能效优化卸载方法。旨在优化移动边缘计算网络中的任务卸载效率，特别关注于时延和能耗的优化。这种方法综合考虑了任务的多个关键因素，如退出任务频率、计算工作负载、时间紧迫性以及每比特的应用完成率，以确定任务的优先级顺序。该方法采用强化学习算法和图卷积网络，以有效提取依赖性任务之间的图结构特征，并引入注意力机制来专注于重要特征的权重训练，同时使用熵奖励概念来提高训练的收敛速度和稳定性。这一方法为移动边缘计算领域提供了一种全新的优化卸载策略，有助于满足5G时代对高性能移动服务的需求。
-
公开(公告)号：CN117835329A
公开(公告)日：2024-04-05
申请号：CN202410241235.3
申请日：2024-03-04
Applicant: 东北大学
IPC: H04W28/084 , H04W4/029 , H04W4/48 , H04W4/44 , G06N3/0442 , G06N3/0455 , G06N3/096
Abstract: 本发明属于边缘计算应用技术领域，公开一种车载边缘计算中基于移动性预测的服务迁移方法。获取车辆位置数据，使用车辆移动性预测模型预测车辆位置；根据预测的车辆位置，使用预测误差估计模型进行预测误差估计，并根据估计的预测误差修正车辆位置预测结果；基于修正的车辆位置预测结果，通过服务迁移决策模型制定基于双策略蒸馏深度强化学习服务迁移策略。本发明可以减少服务迁移的中断时间。通过使用两个深度强化学习模型互相学习的方式，加快模型的学习速度，增强模型的探索能力，提升模型决策的效果。通过引入动作价值函数，让服务迁移策略的评价不再只依赖于状态价值函数，而是转换为动作价值函数与状态价值函数的比较，以提升蒸馏效率。
-
Patent Agency Ranking
公开(公告)号：CN117809289A
公开(公告)日：2024-04-02
申请号：CN202410225873.6
申请日：2024-02-29
Applicant: 东北大学
IPC: G06V20/58 , G06V40/10 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/766 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本发明属于计算机视觉应用技术领域，公开了一种面向交通场景的行人检测方法。建立行人检测模型，采用有监督的学习方法进行训练；训练时根据检测结果调整行人检测模型中卷积核的权重，训练完成后的行人检测模型用于检测识别。使用跨阶段网络结构和设计新的残差模块以改进原有的骨干网络，减少算法所需的计算量，采用、设计特征增强模块和自适应融合金字塔结构，提高不同尺度行人目标的检测精度。同时，该方法中也设计了加权式Soft‑NMS的后处理方法以提升行人间遮挡的检测效果。实验结果表明，本发明可以在满足实时检测的需求下提高行人目标的检测精度。
-
公开(公告)号：CN117664567B
公开(公告)日：2024-04-02
申请号：CN202410122877.1
申请日：2024-01-30
Applicant: 东北大学
IPC: G01M13/04 , G01M13/045 , G06F18/24 , G06F18/213 , G06N3/084 , G06N3/0464
Abstract: 本发明属于故障诊断技术领域，公开了一种面向多源域不平衡数据的滚动轴承跨域故障诊断方法。特征提取模块从轴承原始振动信号中自动提取故障特征。状态预测模块，利用特征提取模块提取的特征预测轴承健康状态，最小化所有源域样本的分类损失。对比语义对齐模块，利用特征提取模块提取的特征计算对比语义对齐损失，最小化各个源域之间的对比语义对齐损失。权重生成模块，利用每个源域中各个故障类别的样本数量分布情况生成权重，分别对分类损失和对比语义对齐损失进行加权。最终利用特征提取模块和状态预测模块实现跨域故障诊断。本发明既解决跨域潜在的巨大分布差异，又可以处理多源域的数据不平衡问题。
-
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：CN117688257A
公开(公告)日：2024-03-12
申请号：CN202410120177.9
申请日：2024-01-29
Applicant: 东北大学
IPC: G06F16/9537 , G06F18/23213 , G06F18/22 , G06N3/092
Abstract: 本发明属于智能交通技术领域，公开了一种面向异构用户行为模式的长期轨迹预测方法。度量轨迹中多个维度的相似性，构建可学习的距离权重矩阵，获得融合多维距离得分；构建邻接矩阵，进行轨迹聚类，聚类结果用于强化学习中优化可学习的距离权重矩阵中的参数；使用轨迹聚类每一个聚类簇中的轨迹数据训练轨迹预测模型，训练后的轨迹预测模型作为轨迹预测。本发明将具有相同行为模式的轨迹划分在一个类内差异较小的簇中，然后使用引入时间和速度信息编码的堆叠Transform结构来提取并融合多属性轨迹中的多维特征，并进一步产生长期轨迹预测结果。对于智能交通场景，面向异构用户行为模式的长期轨迹预测方法具有相当的适用价值。
-
公开(公告)号：CN117650953A
公开(公告)日：2024-03-05
申请号：CN202410126816.2
申请日：2024-01-30
Applicant: 东北大学
IPC: H04L9/40
Abstract: 本发明属于软件定义网络安全范畴技术领域，公开了一种应用于软件定义网络的轻量级路径验证方法。针对现有路径验证过程中的高带宽消耗、过多的存储需求以及控制器的大量计算资源消耗问题，本发明的核心在于采用一种不可交换计算的方法保持验证头部的尺寸不随路径长度的变化而改变，从而大幅降低路径验证过程中的带宽消耗。此外，本发明通过实现基于网络流的路径验证，而非依赖于单个数据包的验证，显著降低了数据平面的存储需求以及控制器执行路径验证时的计算资源消耗。这一轻量级的路径验证方案不仅提高了验证效率，而且降低了网络运行的整体成本，适用于各种大规模和动态变化的网络环境，具有广泛的应用潜力。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.025 seconds)
