公开(公告)号：CN115909746A

公开(公告)日：2023-04-04

申请号：CN202310006261.3

申请日：2023-01-04

Applicant: 中南大学

Inventor： 鲁鸣鸣 ,  何文勇

IPC: G08G1/01 ,  H04L67/10 ,  G06N3/04

Abstract: 本发明公开了一种基于联邦学习的交通流预测方法、系统和介质，方法包括：设定服务器模型的超参数并初始化得到全局模型；服务器将全局模型分发到客户端得到各局部模型；各客户端利用本地交通流数据集更新局部模型；计算各局部模型更新与全局模型更新的相关性，根据相关性筛选客户端；筛选的客户端将其局部模型参数发送到服务器；服务器将接收到的局部模型参数进行汇聚，完成全局模型更新；重复上述步骤直至各模型收敛；最终各客户端使用收敛的本地局部模型对交通流进行预测。本发明可以避免无效参数上传，降低联邦学习训练过程的通信开销。

公开(公告)号：CN115222062A

公开(公告)日：2022-10-21

申请号：CN202211141577.5

申请日：2022-09-20

Applicant: 中南大学

Inventor： 何文勇 ,  鲁鸣鸣 ,  宁瑞鸿

IPC: G06N20/00 ,  G06F17/14 ,  G06K9/62

Abstract: 本发明公开了一种基于时间序列预测对抗攻击的机器学习模型评价方法，包括获取待评价的机器学习模型；获取待评价的机器学习模型的正常输出数据；生成每一个标准样本的扰动；将扰动转换到频域；按照设定的阈值滤除高频分量；将频域扰动转换到时域；将时域扰动叠加到标准样本得到生成对抗样本；将生成对抗样本输入到待评价的机器学习模型得到异常输出数据；计算正常输出数据和异常输出数据之间距离；根据距离值对待评价的机器学习模型进行性能判定。本发明设计了一种扰动值更小且更加不易被发现的扰动攻击序列，并采用该序列进行机器学习模型评价；因此本发明能够在更加严苛和残酷的环境下对机器学习模型评价，而且可靠性高、科学性好且稳定安全。