-
公开(公告)号：CN120046755A
公开(公告)日：2025-05-27
申请号：CN202510112096.9
申请日：2025-01-24
Applicant: 东北大学
Abstract: 本发明属于联邦学习技术领域，公开一种基于队列调度的异步联邦学习方法。将客户端分为快客户端和慢客户端；将客户端上传的模型划分为高陈旧度模型和低陈旧度模型；根据上传本地模型的客户端类型以及客户端上传的模型类型，将本地模型进行再分类；服务器同样的生成与本地模型wi类别相对应的队列用于存储对应的本地模型，服务器依据本地模型wi的类型选择不同的聚合策略或交换策略，使得快客户端将高陈旧度模型的陈旧度降低为低陈旧度模型的判定要求后参与聚合。
-
公开(公告)号：CN117808123A
公开(公告)日：2024-04-02
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：CN117648970A
公开(公告)日：2024-03-05
申请号：CN202410125834.9
申请日：2024-01-30
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知识感知的参数互训练方法。该方法利用用户模型参数更新关系立方，归一化的关系立方作为权重对用户模型参数进行加权，得到正则项。用户根据添加正则项的损失函数进行模型更新，上传至服务器。最后，重复以上过程直到个性化模型收敛。通过探索深度神经网络中基于层的用户关系，生成更准确的个性化正则项，以指导用户的本地训练，有效解决了个性化联邦训练方法中用户关系挖掘粒度粗、关系探索效率低、个性化程度不充分的问题。该方法不仅能够高效、准确地发现用户之间在不同神经网络层之间的关系，而且能够提升本地模型的准确率，对于真实的联邦环境具有相当的适用价值。
-
公开(公告)号：CN113947210B
公开(公告)日：2024-05-10
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。
-
公开(公告)号：CN111800421B
公开(公告)日：2021-08-24
申请号：CN202010640942.1
申请日：2020-07-06
Applicant: 东北大学
Abstract: 本发明属于车联网中入侵检测算法领域，具体涉及一种基于隐马尔科夫模型的车联网入侵检测系统。该系统用于对车联网中的False alert攻击、Sybil攻击、Black hole攻击和DoS攻击的入侵检测。系统设计中主要包括预检测模块，基于DNN的检测中心模块，用于记录车辆状态和生成隐马尔科夫模型的更新模块以及用于产生响应信号的响应中心模块，在车联网正常运行状态下，这几个模块共同保证车联网的高效运行。在攻击检测状态下相辅相成，共同完成一次攻击监测防御过程。在检测精度、开销和检测时间上相比基于DNN的IDS，本发明的检测精度更高，而且平均检测时间远小于基于DNN的IDS，同时具有更少的开销，本发明使用预检测机制相比于使用状态切换的IDS具有更少的开销，更节省计算资源。
-
Patent Agency Ranking
公开(公告)号：CN111818589A
公开(公告)日：2020-10-23
申请号：CN202010640908.4
申请日：2020-07-06
Applicant: 东北大学
IPC: H04W28/22 , H04W4/40 , H04B17/318 , H04L1/00
Abstract: 本发明属于车联网通信技术领域，涉及一种适用于车联网环境的自适应发送速率调节方法。该方法根据不同的信道通信环境质量，基于多项式回归和动态窗口回馈的RSSI预测，自适应地采用不同的速率。这种方法既能保证数据的准确接收，满足不同业务的需求，又能提高系统的网络链路吞吐量和节省能量消耗，有效解决了VANET通信丢包率过高的问题。对于车辆高速移动的交通场景，自适应速率调节机制的方法具有相当的适用价值。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.015 seconds)
