公开(公告)号：CN111814615B

公开(公告)日：2024-04-12

申请号：CN202010596575.X

申请日：2020-06-28

Applicant: 中国科学院计算技术研究所 ,  湘潭大学

Inventor： 邹娟 ,  房海鹏 ,  陈钢 ,  曾碧霄 ,  向懿 ,  王求真 ,  郭建强

IPC: G06V40/16 ,  G06V20/40 ,  G06V10/774 ,  G06V10/80 ,  G16H50/20 ,  A61B5/00

Abstract: 本发明提出一种基于指令视频的帕金森非接触式智能检测方法及系统。该方法包括：获取帕金森患者与非患者的指令式视频数据集；构建人脸模型，标定关键点；根据所述人脸模型的眼部关键点，确定眼部特征向量；根据所述人脸模型的嘴部关键点，确定嘴部特征向量；构建融合网络模型；根据所述嘴部特征向量、所述眼部特征向量和所述融合网络模型，训练最优模型；根据所述最优模型，确定帕金森患者。本发明将嘴部特征与眼部特征综合起来分析，将差分的思想引入到动态特征提取中，按指令设计分帧段进行特征的统计学计算，最后运用支持向量机算法训练模型，提高了帕金森检测的正确率，提高了检测准确率。

公开(公告)号：CN117421590A

公开(公告)日：2024-01-19

申请号：CN202311235562.X

申请日：2023-09-25

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  曾碧霄 ,  杨晓东 ,  于汉超 ,  张迎伟

IPC: G06F18/214 ,  G06N20/00

Abstract: 一种联邦学习客户端的数据质量评估方法，包括：步骤S1：根据多个客户端当前轮训练更新后的本地模型参数和对应的样本数据量获得更新后的全局模型参数；步骤S2：根据当前轮更新前与更新后的客户端的本地模型参数计算各个客户端的本地参数梯度，步骤S3：根据更新前与更新后的全局模型参数计算服务端的全局参数梯度；步骤S4：计算服务端的全局参数梯度与各个客户端的本地参数梯度之间的动土距离，根据动土距离确定各个客户端的数据质量。

公开(公告)号：CN115577803A

公开(公告)日：2023-01-06

申请号：CN202211248244.2

申请日：2022-10-12

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  曾碧霄 ,  杨晓东 ,  于汉超

IPC: G06N20/20 ,  G06F18/241 ,  G06F18/214

Abstract: 本发明提出一种对混合噪声鲁棒的联邦学习方法，包括：将客户端根据本地训练数据和主观逻辑损失函数更新的本地度量模型参数发送给服务端；获取服务端根据客户端以及其他客户端更新的本地度量模型参数和对应的样本数据量计算的全局度量模型参数；由客户端根据全局度量模型参数和本地训练数据，计算每一训练样本的主观逻辑损失及本地高斯混合分布并发送给服务端；获取服务端根据多个本地高斯混合分布计算的区间阈值，并基于区间阈值和本地高斯混合分布对训练数据进行混合噪声识别，进而对识别的开集噪声、闭集噪声分别进行过滤和修正。本发明还提出一种对混合噪声鲁棒的联邦学习系统，以及一种用于联邦学习的数据处理装置。

公开(公告)号：CN117669696A

公开(公告)日：2024-03-08

申请号：CN202311370744.8

申请日：2023-10-23

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  曾碧霄 ,  杨晓东 ,  张迎伟

IPC: G06N3/098 ,  A61B3/14 ,  A61B3/12 ,  G16H50/20 ,  G06V10/94 ,  G06V10/82 ,  G06V10/776

Abstract: 本发明实施例提供了糖尿病患者病变评估模型的联邦训练方法，该方法中在服务端和多个客户端对所述初始糖尿病患者病变评估模型进行多轮联邦训练，在每轮联邦训练中，每个客户端基于其对应的局部糖尿病患者眼底图像数据集的噪声率得到局部糖尿病患者病变评估模型中关键参数和非关键参数对应的参数矩阵，更新参数矩阵中的关键参数，服务端基于来自于每个客户端的局部糖尿病患者病变评估模型参数和局部糖尿病患者眼底图像数据集中的数据量，更新上一轮联邦训练后的糖尿病患者病变评估模型参数。该方法提高了模型的鲁棒性和性能，使得该模型能够更好地辅助医生通过糖尿病患者眼底图像更准确的评估糖尿病患者视网膜是否病变。

公开(公告)号：CN113379071B

公开(公告)日：2022-11-29

申请号：CN202110666751.7

申请日：2021-06-16

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  曾碧霄 ,  杨晓东 ,  于汉超

IPC: G06N20/20

Abstract: 本发明提供一种基于联邦学习的噪声标签修正方法，包括：将客户端根据本地训练数据更新的本地模型参数和对应的样本数据量发送给服务端；获取服务端根据客户端以及其他客户端更新的本地模型参数和对应的样本数据量计算的全局模型参数；由客户端根据全局模型参数和本地训练数据，计算指示不同类别的平均预测概率的多个本地类基准并发送给服务端；获取服务端根据多个本地类基准计算的多个全局类基准，并基于全局模型参数和全局类基准对客户端的本地训练数据进行噪声标签修正。将该修正方法应用于联邦学习系统中，实现了信息增强，减少了数据的损失以及对额外参照集的依赖，有效地提高了联邦学习训练结构测试的准确率。

公开(公告)号：CN113379071A

公开(公告)日：2021-09-10

申请号：CN202110666751.7

申请日：2021-06-16

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  曾碧霄 ,  杨晓东 ,  于汉超

IPC: G06N20/20

Abstract: 本发明提供一种基于联邦学习的噪声标签修正方法，包括：将客户端根据本地训练数据更新的本地模型参数和对应的样本数据量发送给服务端；获取服务端根据客户端以及其他客户端更新的本地模型参数和对应的样本数据量计算的全局模型参数；由客户端根据全局模型参数和本地训练数据，计算指示不同类别的平均预测概率的多个本地类基准并发送给服务端；获取服务端根据多个本地类基准计算的多个全局类基准，并基于全局模型参数和全局类基准对客户端的本地训练数据进行噪声标签修正。将该修正方法应用于联邦学习系统中，实现了信息增强，减少了数据的损失以及对额外参照集的依赖，有效地提高了联邦学习训练结构测试的准确率。