-
公开(公告)号：CN112181971B
公开(公告)日：2022-11-01
申请号：CN202011166681.0
申请日：2020-10-27
IPC: G06F16/215 , G06F16/242 , G06F16/2455 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质，方法包括：根据设备所在的局域网地址，对设备聚类，将在每个局域网部署一个移动边缘节点服务器；参与训练的终端设备接收到云端发来的全局模型，在本地数据上训练得到本地更新模型；计算终端设备本地更新模型参数与全局模型参数间的余弦相似度；判定所述余弦相似度是否大于设定阈值，若余弦相似度大于设定阈值的本地更新模型，传输到移动边缘节点服务器参与边缘聚合，得到簇模型；将局域网的簇模型发送到云端参与全局聚合，得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。
-
公开(公告)号：CN111753885A
公开(公告)日：2020-10-09
申请号：CN202010518162.X
申请日：2020-06-09
Applicant: 华侨大学
Abstract: 一种基于深度学习的隐私增强数据处理方法和系统,用于对车辆节点上传的感知数据进行数据分析和预处理，其特征在于，包括如下步骤：1)使用基于均值哈希的图像指纹计算法，剔除感知数据中的相似数据；2)对带标签的数据集和无标签数据集进行数据增强，采用增强后的数据训练并测试基于半监督学习的分类模型；3)将步骤1)得到的数据输入训练好的半监督学习的分类模型，剔除不相关数据。本发明基于半监督学习和图像指纹的数据收集和预处理方案显著降低了上传到云端的数据量，同时有效保护了用户的数据隐私。
-
公开(公告)号：CN111753885B
公开(公告)日：2023-09-01
申请号：CN202010518162.X
申请日：2020-06-09
Applicant: 华侨大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895 , G06V10/74 , H04L67/10 , H04L67/12 , H04L9/40
Abstract: 一种基于深度学习的隐私增强数据处理方法和系统,用于对车辆节点上传的感知数据进行数据分析和预处理，其特征在于，包括如下步骤：1)使用基于均值哈希的图像指纹计算法，剔除感知数据中的相似数据；2)对带标签的数据集和无标签数据集进行数据增强，采用增强后的数据训练并测试基于半监督学习的分类模型；3)将步骤1)得到的数据输入训练好的半监督学习的分类模型，剔除不相关数据。本发明基于半监督学习和图像指纹的数据收集和预处理方案显著降低了上传到云端的数据量，同时有效保护了用户的数据隐私。
-
公开(公告)号：CN112181971A
公开(公告)日：2021-01-05
申请号：CN202011166681.0
申请日：2020-10-27
IPC: G06F16/215 , G06F16/242 , G06F16/2455 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质，方法包括：根据设备所在的局域网地址，对设备聚类，将在每个局域网部署一个移动边缘节点服务器；参与训练的终端设备接收到云端发来的全局模型，在本地数据上训练得到本地更新模型；计算终端设备本地更新模型参数与全局模型参数间的余弦相似度；判定所述余弦相似度是否大于设定阈值，若余弦相似度大于设定阈值的本地更新模型，传输到移动边缘节点服务器参与边缘聚合，得到簇模型；将局域网的簇模型发送到云端参与全局聚合，得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。
-
-
-
Search Results
4
records
(took 0.012 seconds)
