-
公开(公告)号：CN110109745B
公开(公告)日：2023-06-20
申请号：CN201910405572.0
申请日：2019-05-15
Applicant: 华南理工大学
Abstract: 本发明公开了一种针对边缘计算环境的任务协同在线调度方法，将待执行任务切分为计算子任务；当子任务进行网络传输时，若检测到网络资源不足，对部分待传输数据流任务驳回；网络资源充足则接受任务请求；根据接收的任务请求，计算移动终端执行时间成本，网络传输时间成本，边缘服务器执行时间成本，得出移动终端待执行计算任务初始卸载方案；当子任务需要边缘服务器进行处理，若检测到边缘服务器资源不足时，对部分待执行计算任务进行驳回；边缘服务器资源充足则按照最高优先权方法选取计算任务进行；当两种资源都不充足时，优先处理网络端待传输数据流任务；本发明同时实现网络端和边缘服务器端的负载均衡，减少执行时间，提高资源利用率。
-
公开(公告)号：CN114357676A
公开(公告)日：2022-04-15
申请号：CN202111535624.X
申请日：2021-12-15
Applicant: 华南理工大学
Abstract: 本发明公开了一种针对层次化模型训练框架的聚合频率控制方法，包括以下步骤：确定层次化模型训练聚合拓扑；定义在层次化模型训练框架下，采用弱同步的通信方式进行模型训练和聚合的过程；基于层次化模型训练聚合拓扑，对每个边缘节点进行资源建模；根据每个边缘节点的计算资源和通信资源，使用启发式的算法输出每个边缘节点的聚合频率，使得同一层的边缘节点具有不同的聚合频率，达到资源利用率的最大化；为了解决边缘节点聚合频率相差太大所带来的精度损失，使用自适应的方法，在模型训练的过程中动态地调整节点的聚合频率。本发明能够解决异构的边缘环境下，使用强同步的通信方法，造成通信时间长、资源利用率低以及训练效果不佳的问题。
-
公开(公告)号：CN109032683B
公开(公告)日：2021-03-26
申请号：CN201710399642.7
申请日：2017-05-31
Applicant: 腾讯科技(深圳)有限公司 , 华南理工大学
Inventor： 杨磊
Abstract: 本发明公开了一种配置数据处理方法及装置。其中，该方法包括：获取第一帐号的第一行为特征向量和第一帐号的配置数据，其中，行为特征向量用于指示帐号在目标应用上执行的操作行为的特征，配置数据用于指示第一帐号对目标应用的配置，第一帐号为注册了目标应用的多个帐号；根据配置数据之间的相似度对配置数据进行聚类，得到配置数据类别，其中，配置数据类别用于标识配置数据的类别；根据第一帐号的帐号标识建立行为特征向量与配置数据类别之间的对应关系。本发明解决了现有技术中对应用的配置复杂度高的技术问题。
-
公开(公告)号：CN110109745A
公开(公告)日：2019-08-09
申请号：CN201910405572.0
申请日：2019-05-15
Applicant: 华南理工大学
Abstract: 本发明公开了一种针对边缘计算环境的任务协同在线调度方法，将待执行任务切分为计算子任务；当子任务进行网络传输时，若检测到网络资源不足，对部分待传输数据流任务驳回；网络资源充足则接受任务请求；根据接收的任务请求，计算移动终端执行时间成本，网络传输时间成本，边缘服务器执行时间成本，得出移动终端待执行计算任务初始卸载方案；当子任务需要边缘服务器进行处理，若检测到边缘服务器资源不足时，对部分待执行计算任务进行驳回；边缘服务器资源充足则按照最高优先权方法选取计算任务进行；当两种资源都不充足时，优先处理网络端待传输数据流任务；本发明同时实现网络端和边缘服务器端的负载均衡，减少执行时间，提高资源利用率。
-
公开(公告)号：CN109032683A
公开(公告)日：2018-12-18
申请号：CN201710399642.7
申请日：2017-05-31
Applicant: 腾讯科技(深圳)有限公司 , 华南理工大学
Inventor： 杨磊
CPC classification number: G06F9/4451 , H04L63/101 , H04L67/306
Abstract: 本发明公开了一种配置数据处理方法及装置。其中，该方法包括：获取第一帐号的第一行为特征向量和第一帐号的配置数据，其中，行为特征向量用于指示帐号在目标应用上执行的操作行为的特征，配置数据用于指示第一帐号对目标应用的配置，第一帐号为注册了目标应用的多个帐号；根据配置数据之间的相似度对配置数据进行聚类，得到配置数据类别，其中，配置数据类别用于标识配置数据的类别；根据第一帐号的帐号标识建立行为特征向量与配置数据类别之间的对应关系。本发明解决了现有技术中对应用的配置复杂度高的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN120068141A
公开(公告)日：2025-05-30
申请号：CN202510014381.7
申请日：2025-01-06
Applicant: 华南理工大学
IPC: G06F21/62 , G06F21/60 , G06F40/30 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/0475 , G06N3/0455 , G06N3/094 , G06N5/04 , H04L9/40
Abstract: 本发明公开了一种自适应语义感知的大语言模型隐私保护方法及设备，其中方法包括：大语言模型服务提供商将大语言模型分解为底部嵌入层模型和其他部分，分别部署在客户端和服务器端；在预训练阶段，客户端训练一个生成器和一个采样器。生成器包括可学习的文本嵌入层和门控循环单元，能够生成与原文本相似且语义接近的文本序列。采样器自适应地选择需要替换的文本位置及其替换词，逐步逼近原文本的语义嵌入；在增强训练阶段，预训练的生成器与基于Transformer的判别器进行对抗训练，同时采样器生成语义近似的文本，引导生成器生成更加真实和符合语义的样本；经过训练的生成器生成扰动嵌入，服务器端接收这些扰动嵌入进行微调或推理等操作。
-
公开(公告)号：CN114372337B
公开(公告)日：2024-10-18
申请号：CN202111603177.7
申请日：2021-12-24
Applicant: 华南理工大学
IPC: G06F30/18 , G06F30/27 , G06F15/173 , G06N3/126
Abstract: 本发明公开了一种针对分布式边缘学习中的模型聚合的分组优化方法。所述方法包括以下步骤：量化各设备的本地数据分布与全局数据分布的差异；计算设备间点对点传输的最小传输时延；采用启发式的遗传算法编码网络中设备可能的分组方式，并通过遗传操作来自动的搜寻最优的分组结果，确定设备分组后模型分组聚合的方式；将网络中的设备划分为不同的组，并且设备按照获取的分组方式进行分组训练及分组模型聚合。本发明能够在不提前指定分组数的前提下根据网络中节点的数据分布和节点间的传输时延自动的对网络中的设备进行分组，有效的减缓了在分布式边缘学习中设备间数据分布非独立同分布对全局模型收敛性能的影响，提高全局模型的训练精度和收敛速度。
-
公开(公告)号：CN118586522A
公开(公告)日：2024-09-03
申请号：CN202410739117.5
申请日：2024-06-07
Applicant: 华南理工大学
IPC: G06N20/00 , G06V10/764 , G06V10/778 , G06V10/774
Abstract: 本发明公开了一种基于联邦学习的模型联合优化方法，包括以下步骤：边缘设备和服务器分别使用摄像头采集图像作为无标记样本；边缘设备使用无标记样本形成无标记数据集，服务器对无标记样本分类后形成有标记数据集；服务器发送全局模型与协助模型至边缘设备；边缘设备使用无标记样本优化局部模型；边缘设备将更新后的局部模型上传至服务器；服务器将接收到的所有局部模型聚合，得到新的全局模型；服务器使用有标记数据集训练全局模型和协助模型；服务器传输全局模型至边缘设备，边缘设备使用全局模型进行分类。
-
公开(公告)号：CN114357067B
公开(公告)日：2024-06-25
申请号：CN202111535626.9
申请日：2021-12-15
Applicant: 华南理工大学
IPC: G06F16/27 , G06F16/23 , G06F18/23213 , G06N3/0455 , G06N3/084 , G06N3/098 , G06N3/0985
Abstract: 本发明公开了一种针对数据异构性的个性化联邦元学习方法，包括以下步骤：确定各个客户端初始化阶段时的自动编码器结构以及个性化阶段时的元模型结构；初始化联邦训练阶段的参数；根据客户端上传的本地数据分布向量对客户端进行分组；对每个组内的客户端模型进行聚合并下发给组内的客户端进行下一轮迭代；联邦训练结束后，客户端在其组内元模型及其本地数据上进行微调产生个性化模型。本发明在客户端参与联邦训练时，依据其每一轮上传的本地数据分布向量，动态将数据分布近似的客户端划分到同一组中并为每一组设置对应的元模型，进而缓解在数据高度异构的环境下引起的模型收敛慢且准确率低的问题。
-
公开(公告)号：CN117934097A
公开(公告)日：2024-04-26
申请号：CN202410037143.3
申请日：2024-01-10
Applicant: 华南理工大学
IPC: G06Q30/0283 , G06N20/00 , G06Q30/0201 , G06Q30/0202
Abstract: 本发明公开了一种基于强化学习的定价、分配和重定位联合优化方法，包括：对系统进行建模，定义优化问题，包括目标、约束和决策变量；将优化问题转为多智能体情形下的部分可观测马尔科夫决策过程，确定观测、动作和奖励；基于历史数据训练用于实时估计出行请求数量的动态环境信息感知的需求预测模型；部署多臂赌博机算法，收集定价记录，在线训练定价模型；部署SAC算法，收集司机轨迹经验，在线训练融合重定位的分配模型，穿插使用启发式算法产生的决策结果矫正训练方向。本发明考虑联合优化定价、订单分配和车辆重定位，基于关联强化学习和多智能体深度强化学习方法求解最优联合决策，能有效提高在线叫车平台的市场效率和乘客出行请求的完成数量。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.029 seconds)
