-
公开(公告)号：CN118378722A
公开(公告)日：2024-07-23
申请号：CN202410807736.3
申请日：2024-06-21
Applicant: 中南大学
IPC: G06N20/00 , G06F18/213 , G06F18/23
Abstract: 本发明涉及联邦学习技术领域，具体公开了一种面向数据多元异质场景下的聚类联邦学习方法，首次将向量量化变分自编码器融入联邦学习框架中，以向量量化变分自编码器有效学习并映射本地数据分布至离散特征空间，通过利用此离散空间变量的相似度执行客户端聚类，既保护了本地数据隐私，又有效地压缩了特征表示，同时引用特征锚点进行不同客户端特征字典中的特征对齐，保证了不同客户端特征字典的同一个位置在同一特征空间，进而确保了跨客户端聚合的一致性，解决了传统的面向数据多元异质场景下的联邦学习，因数据的异质性因素会削弱模型在整体数据集上的泛化能力，增加模型对特定客户过拟合风险以及存在任务不平衡的问题。
-
公开(公告)号：CN117875408B
公开(公告)日：2024-06-25
申请号：CN202410285505.0
申请日：2024-03-13
Applicant: 中南大学
IPC: G06N3/098 , G06N3/0455 , G06N3/049 , G06T7/00 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种面向瑕疵检测的脉冲神经网络的联邦学习方法，将产品图像输入人工神经网络分支进行前向传播、在时间窗口内将感受野矩阵编码输入脉冲神经网络分支进行前向传播，并在脉冲神经网络分支的前向传播过程中将人工神经网络分支输出的特征与脉冲神经网络分支中每一个时间步输出的特征进行融合，有效缓解了尖峰噪声影响；根据脉冲神经网络分支中最后一层中所有时间步输出的特征与瑕疵种类标签构建损失函数，通过损失函数对脉冲神经网络分支进行反向传播训练，得到本地联邦脉冲神经网络并将多个本地工业设备上传的网络参数输入中央服务器进行聚合得到全局模型，在实现轻量化分布协同训练的同时，有效解决了用于瑕疵检测时准确率低的劣势。
-
公开(公告)号：CN116258420B
公开(公告)日：2023-08-01
申请号：CN202310526625.0
申请日：2023-05-11
Applicant: 中南大学
IPC: G06Q10/0639 , G06N20/20
Abstract: 本申请适用于联邦学习及数字孪生技术领域，提供了一种产品质量检测方法、装置、终端设备及介质。包括采集目标产品的工序组成数据；计算每个边缘节点的权重；根据所有边缘节点的权重，得到最大设备连接数，并对所有边缘节点进行分组，得到多个边缘节点分组；根据每个边缘节点的可靠性和边缘节点的权重，确定边缘节点分组的领导者节点，并通过领导者节点，将设备信息和产品信息存储到区块链；每个工业设备的学习质量确定联邦学习设备，并根据设备信息和产品信息，进行本地模型训练，得到本地数字孪生模型；计算本地数字孪生模型的全局残差，得到全局数字孪生模型；利用全局数字孪生模型进行质量检测。本申请能提高产品质量检测的准确性。
-
公开(公告)号：CN118798395A
公开(公告)日：2024-10-18
申请号：CN202411278271.3
申请日：2024-09-12
Applicant: 中南大学
Abstract: 本申请适用于联邦学习技术领域，提供了一种基于多数据联盟的协同训练方法，该协同训练方法包括任务发起方联盟节点发送协同训练请求；信息计算方联盟节点接收到协同训练请求后，采集每个数据联盟节点的通信信息，计算链路质量，确定协同训练路径；任务发起方联盟节点对自身的原始本地模型进行协同训练，构建本地复合数据集，计算协同训练后的本地模型和原始本地模型的评估分数；若评估分数小于预设分数阈值，则对协同训练后的本地模型进行个性化训练；否则，将协同训练后的本地模型作为最终本地模型。本申请可以在没有集中式高级服务器进行数据聚合的情况下，实现多个数据联盟节点之间的协同训练，提高数据联盟节点中本地模型的准确度。
-
公开(公告)号：CN118378722B
公开(公告)日：2024-09-24
申请号：CN202410807736.3
申请日：2024-06-21
Applicant: 中南大学
IPC: G06N20/00 , G06F18/213 , G06F18/23
Abstract: 本发明涉及联邦学习技术领域，具体公开了一种面向数据多元异质场景下的聚类联邦学习方法，首次将向量量化变分自编码器融入联邦学习框架中，以向量量化变分自编码器有效学习并映射本地数据分布至离散特征空间，通过利用此离散空间变量的相似度执行客户端聚类，既保护了本地数据隐私，又有效地压缩了特征表示，同时引用特征锚点进行不同客户端特征字典中的特征对齐，保证了不同客户端特征字典的同一个位置在同一特征空间，进而确保了跨客户端聚合的一致性，解决了传统的面向数据多元异质场景下的联邦学习，因数据的异质性因素会削弱模型在整体数据集上的泛化能力，增加模型对特定客户过拟合风险以及存在任务不平衡的问题。
-
Patent Agency Ranking
公开(公告)号：CN116306323B
公开(公告)日：2023-08-08
申请号：CN202310566397.X
申请日：2023-05-19
Applicant: 中南大学
Abstract: 本申请适用于联邦学习和数字孪生技术领域，提供了一种数字孪生模型的确定方法、装置、终端设备及介质，通过构建初始数字孪生模型，并初始化模型参数，得到初始数字孪生模型参数；针对每个工业设备，根据初始数字孪生模型参数，构建初始本地模型，并对初始本地模型进行训练，得到最终本地模型；根据最终本地模型的模型参数，得到每个工业设备的全局得分，并根据全局得分，确定联邦工业设备；对所有联邦工业设备的最终本地模型的模型参数进行聚合，得到初始全局模型；基于强化学习，对初始全局模型中的网络结构进行更新，得到最终全局模型；基于联邦学习，得到目标任务对应的最终数字孪生模型。本申请能提高数字孪生模型的准确性。
-
公开(公告)号：CN117875408A
公开(公告)日：2024-04-12
申请号：CN202410285505.0
申请日：2024-03-13
Applicant: 中南大学
IPC: G06N3/098 , G06N3/0455 , G06N3/049 , G06T7/00 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种面向瑕疵检测的脉冲神经网络的联邦学习方法，将产品图像输入人工神经网络分支进行前向传播、在时间窗口内将感受野矩阵编码输入脉冲神经网络分支进行前向传播，并在脉冲神经网络分支的前向传播过程中将人工神经网络分支输出的特征与脉冲神经网络分支中每一个时间步输出的特征进行融合，有效缓解了尖峰噪声影响；根据脉冲神经网络分支中最后一层中所有时间步输出的特征与瑕疵种类标签构建损失函数，通过损失函数对脉冲神经网络分支进行反向传播训练，得到本地联邦脉冲神经网络并将多个本地工业设备上传的网络参数输入中央服务器进行聚合得到全局模型，在实现轻量化分布协同训练的同时，有效解决了用于瑕疵检测时准确率低的劣势。
-
公开(公告)号：CN116306323A
公开(公告)日：2023-06-23
申请号：CN202310566397.X
申请日：2023-05-19
Applicant: 中南大学
Abstract: 本申请适用于联邦学习和数字孪生技术领域，提供了一种数字孪生模型的确定方法、装置、终端设备及介质，通过构建初始数字孪生模型，并初始化模型参数，得到初始数字孪生模型参数；针对每个工业设备，根据初始数字孪生模型参数，构建初始本地模型，并对初始本地模型进行训练，得到最终本地模型；根据最终本地模型的模型参数，得到每个工业设备的全局得分，并根据全局得分，确定联邦工业设备；对所有联邦工业设备的最终本地模型的模型参数进行聚合，得到初始全局模型；基于强化学习，对初始全局模型中的网络结构进行更新，得到最终全局模型；基于联邦学习，得到目标任务对应的最终数字孪生模型。本申请能提高数字孪生模型的准确性。
-
公开(公告)号：CN116258420A
公开(公告)日：2023-06-13
申请号：CN202310526625.0
申请日：2023-05-11
Applicant: 中南大学
IPC: G06Q10/0639 , G06N20/20
Abstract: 本申请适用于联邦学习及数字孪生技术领域，提供了一种产品质量检测方法、装置、终端设备及介质。包括采集目标产品的工序组成数据；计算每个边缘节点的权重；根据所有边缘节点的权重，得到最大设备连接数，并对所有边缘节点进行分组，得到多个边缘节点分组；根据每个边缘节点的可靠性和边缘节点的权重，确定边缘节点分组的领导者节点，并通过领导者节点，将设备信息和产品信息存储到区块链；每个工业设备的学习质量确定联邦学习设备，并根据设备信息和产品信息，进行本地模型训练，得到本地数字孪生模型；计算本地数字孪生模型的全局残差，得到全局数字孪生模型；利用全局数字孪生模型进行质量检测。本申请能提高产品质量检测的准确性。
-
公开(公告)号：CN118798395B
公开(公告)日：2024-12-03
申请号：CN202411278271.3
申请日：2024-09-12
Applicant: 中南大学
Abstract: 本申请适用于联邦学习技术领域，提供了一种基于多数据联盟的协同训练方法，该协同训练方法包括任务发起方联盟节点发送协同训练请求；信息计算方联盟节点接收到协同训练请求后，采集每个数据联盟节点的通信信息，计算链路质量，确定协同训练路径；任务发起方联盟节点对自身的原始本地模型进行协同训练，构建本地复合数据集，计算协同训练后的本地模型和原始本地模型的评估分数；若评估分数小于预设分数阈值，则对协同训练后的本地模型进行个性化训练；否则，将协同训练后的本地模型作为最终本地模型。本申请可以在没有集中式高级服务器进行数据聚合的情况下，实现多个数据联盟节点之间的协同训练，提高数据联盟节点中本地模型的准确度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.024 seconds)
