公开(公告)号：CN119150954A

公开(公告)日：2024-12-17

申请号：CN202411181464.7

申请日：2024-08-27

Applicant: 北京大学

Inventor： 蔡奕丰 ,  张子祺 ,  景罗希 ,  李锭 ,  郭耀 ,  陈向群

IPC: G06N3/098 ,  G06N3/096 ,  G06N3/0985 ,  G06V10/82 ,  G06V10/94

Abstract: 本发明提供了一种异构联邦学习中基于代理模型的全权重聚合方法，属于人工智能与机器学习领域。本发明方法的步骤包括系统设置和代理模型构建、本地模型训练与模型上传、权重知识转移至代理模型、忠诚度引导的聚合、和全局模型更新与分发，通过智能聚合系统中所有设备模型的完整权重，优化设备模型的学习效果和系统的整体运行效率，能够显著提高异构设备上的模型训练效率，降低能源消耗，并提高模型的准确性和泛化能力，具有广阔的应用前景。

公开(公告)号：CN119135392A

公开(公告)日：2024-12-13

申请号：CN202411181462.8

申请日：2024-08-27

Applicant: 北京大学

Inventor： 蔡奕丰 ,  张子祺 ,  景罗希 ,  李锭 ,  郭耀 ,  陈向群

IPC: H04L9/40 ,  H04L41/14 ,  H04L41/147

Abstract: 本发明提供了一种多级模型推理系统中增强抗对抗性攻击能力的方法，属于人工智能与计算机网络安全领域。本发明的方法，包括离线阶段的执行流程和在线推理阶段的执行流程，离线阶段包括提取训练数据的特征与梯度，使用自动聚类技术和主成分分析PCA技术优化所述训练数据的存储空间与计算效率，在线推理阶段通过创新的置信度计算机制，基于推理数据与训练数据特征与梯度的余弦相似度，更准确地评估边缘设备上模型的预测置信度，并有效识别出需要由云服务器处理的复杂或潜在被篡改的输入数据，从而解决现有技术中对抗性攻击导致的安全性和效率问题，同时优化训练数据特征与梯度存储空间，保持系统的高效性和精确度。