-
公开(公告)号：CN115174404B
公开(公告)日：2024-06-21
申请号：CN202210533169.8
申请日：2022-05-17
Applicant: 南京大学
IPC: H04L41/0896 , H04L41/0894 , H04L41/14 , H04L41/0895
Abstract: 本发明公开了一种基于SDN组网的多设备联邦学习系统，系统内采用SDN进行组网连接，该系统将边缘设备根据互相之间的延迟分为数个小组，组内采用去中心化的联邦学习策略进行联邦学习训练；在完成组内训练后，根据SDN中提供的信息在每组中选择网络性能最强的设备，让其将本组模型发送给中心节点，由中心节点对各组模型进行聚合。本发明通过对原有联邦学习过程的改良，更充分地使用了边缘设备的数据、算力与网络带宽，同时降低中心节点的压力，提高了模型训练效率，进而使各边缘设备上的数据能够更快地转化为深度学习模型，有效提升了深度学习服务的质量。
-
公开(公告)号：CN114662690A
公开(公告)日：2022-06-24
申请号：CN202210547606.1
申请日：2022-05-20
Applicant: 南京大学
IPC: G06N3/10 , G06F9/50 , G06F11/34 , H04L41/042 , H04L41/044 , H04L41/08 , H04L41/16 , H04W84/18 , G06N3/08 , G06N3/04 , G06N5/04
Abstract: 本发明涉及一种面向深度学习Transformer类模型的移动设备协同推断系统，包括如下步骤：准备阶段：评估可用硬件资源，确定切分粒度，切片并分发至各设备。部署阶段：通过DNS组网来控制设备进行异构设备的协同推断。各待推断设备均部署推断服务程序。控制节点发送待推断样本到各设备，当前节点将中间结果传递至负责下一个模型切片的节点，以此类推，直至最后一个节点完成推理，再将最终结果发送给控制节点输出。避免因为整个Transformer模型占用空间较大而单个设备不能运行。
-
Patent Agency Ranking
公开(公告)号：CN119990357A
公开(公告)日：2025-05-13
申请号：CN202311512181.1
申请日：2023-11-10
Abstract: 本申请公开了一种联邦学习中参与端的贡献度确定方法、装置及系统，涉及联邦学习技术领域。在该方法中，以联邦学习中多个参与端提供的蒸馏样本集为基础，通过蒸馏样本集中蒸馏样本的不确定度来体现蒸馏样本为机器学习模型的训练过程所带来的信息量，从而根据每个参与端所提供蒸馏样本的不确定度来确定每个参与端的贡献度，在准确评估参与端贡献度的基础上，有效降低了计算复杂度，进而提升了贡献度计算效率。
-
公开(公告)号：CN114662690B
公开(公告)日：2022-09-13
申请号：CN202210547606.1
申请日：2022-05-20
Applicant: 南京大学
IPC: G06N3/10 , G06F9/50 , G06F11/34 , H04L41/042 , H04L41/044 , H04L41/08 , H04L41/16 , H04W84/18 , G06N3/08 , G06N3/04 , G06N5/04
Abstract: 本发明涉及一种面向深度学习Transformer类模型的移动设备协同推断系统，包括如下步骤：准备阶段：评估可用硬件资源，确定切分粒度，切片并分发至各设备。部署阶段：通过DNS组网来控制设备进行异构设备的协同推断。各待推断设备均部署推断服务程序。控制节点发送待推断样本到各设备，当前节点将中间结果传递至负责下一个模型切片的节点，以此类推，直至最后一个节点完成推理，再将最终结果发送给控制节点输出。避免因为整个Transformer模型占用空间较大而单个设备不能运行。
-
公开(公告)号：CN110647948A
公开(公告)日：2020-01-03
申请号：CN201910947973.9
申请日：2019-10-08
Applicant: 南京大学
Abstract: 本发明公开了一种基于神经网络的图片拼接检测方法和系统，包括如下步骤：首先，获取图片，通过第一神经网络模型识别出被检测本体的图片，剔除背景干扰；其次，归一化被检测本体的图片，对图片进行十字线等份切割；然后，通过第二神经网络模型对每等份图像，分别进行划痕识别，获得像素比；最后，统计所有等份图像的拼痕比例之和，与设定的阈值进行比较，高于阈值，则判断为拼接图像，否则判断为非拼接图像。相对于现有技术，本发明的检测方法具有较高的准确性。
-
公开(公告)号：CN110647948B
公开(公告)日：2023-04-21
申请号：CN201910947973.9
申请日：2019-10-08
Applicant: 南京大学
IPC: G06V10/82 , G06V10/44 , G06V10/72 , G06V10/774 , G06V30/42 , G06V30/414 , G06V40/16
Abstract: 本发明公开了一种基于神经网络的图片拼接检测方法和系统，包括如下步骤：首先，获取图片，通过第一神经网络模型识别出被检测本体的图片，剔除背景干扰；其次，归一化被检测本体的图片，对图片进行十字线等份切割；然后，通过第二神经网络模型对每等份图像，分别进行划痕识别，获得像素比；最后，统计所有等份图像的拼痕比例之和，与设定的阈值进行比较，高于阈值，则判断为拼接图像，否则判断为非拼接图像。相对于现有技术，本发明的检测方法具有较高的准确性。
-
公开(公告)号：CN115174404A
公开(公告)日：2022-10-11
申请号：CN202210533169.8
申请日：2022-05-17
Applicant: 南京大学
IPC: H04L41/0896 , H04L41/0894 , H04L41/14 , H04L41/0895
Abstract: 本发明公开了一种基于SDN组网的多设备联邦学习系统，系统内采用SDN进行组网连接，该系统将边缘设备根据互相之间的延迟分为数个小组，组内采用去中心化的联邦学习策略进行联邦学习训练；在完成组内训练后，根据SDN中提供的信息在每组中选择网络性能最强的设备，让其将本组模型发送给中心节点，由中心节点对各组模型进行聚合。本发明通过对原有联邦学习过程的改良，更充分地使用了边缘设备的数据、算力与网络带宽，同时降低中心节点的压力，提高了模型训练效率，进而使各边缘设备上的数据能够更快地转化为深度学习模型，有效提升了深度学习服务的质量。
-
-
-
-
-
-
Search Results
7
records
(took 0.013 seconds)
