-
Patent Agency Ranking
公开(公告)号：CN114758784B
公开(公告)日：2024-05-28
申请号：CN202210314514.9
申请日：2022-03-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于聚类算法分配联邦学习中参与者权重的方法，具体为：各参与者接收全局模型参数，使用本地数据集进行训练，完成本地训练的将本地模型参数上传至中央服务器，未完成的继续进行本地训练；中央服务器接收至少50%的参与者上传的本地模型后，对所收到的模型参数向量化处理并使用聚类算法进行聚类，选取打分最高的聚类结果，度量每个类内中心与类间中心的距离，使用距离的倒数作为每一类参与者的权重值，聚合得到全局模型并下发给对应的参与者，参与者继续进行本地训练；中央服务器持续接收参与者上传的本地模型，继续进行聚类直至全局模型收敛。本发明能够加快全局模型的收敛速度，同时提升全局模型对于各参与者数据的测试精度。
-
公开(公告)号：CN113627619B
公开(公告)日：2024-06-07
申请号：CN202110770971.4
申请日：2021-07-07
Applicant: 南京理工大学
IPC: G06N20/00
Abstract: 本发明公开了一种基于伪噪声序列的保障联邦学习系统的公平性的方法，包括以下步骤：在联邦学习系统中欲保护的学习模型上添加伪噪声序列；收集各个用户上传的学习模型；对已上传的学习模型进行伪噪声序列自相关检测和模型精度预检测；惩罚作假用户，补偿其影响，维护系统公平性。本发明实现了在联邦学习架构中检测作假用户的不公平行为，并且通过相应的惩罚和补偿机制，减小这些行为产生的影响，提高用户之间的公平性，营造良好的学习环境。
-
公开(公告)号：CN114781598A
公开(公告)日：2022-07-22
申请号：CN202210314534.6
申请日：2022-03-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于分层神经网络分布式训练的故障预测方法，具体为：将卷积神经网络划分为不同的网络层，得到每层均可输出模型参数和模型训练精度的模型训练网络；使用分层的卷积神经网络和设备能够训练的最大网络层数，对输入数据进行特征提取，输入数据在每一层网络中均训练至收敛，得到的模型参数传至下一层网络进行训练，在完成规定训练的最大网络层数后，得到相应的故障检测模型；将卷积神经网络分为三个子层卷积神经网络，分别部署在设备端、边缘端和云端，每层均输出对输入数据是否含有故障的预测值，得到一个故障预测网络，对未含有故障标签和非故障标签的数据进行故障预测。本发明能够合理利用设备的计算资源以及存储空间。
-
公开(公告)号：CN114758784A
公开(公告)日：2022-07-15
申请号：CN202210314514.9
申请日：2022-03-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于聚类算法分配联邦学习中参与者权重的方法，具体为：各参与者接收全局模型参数，使用本地数据集进行训练，完成本地训练的将本地模型参数上传至中央服务器，未完成的继续进行本地训练；中央服务器接收至少50%的参与者上传的本地模型后，对所收到的模型参数向量化处理并使用聚类算法进行聚类，选取打分最高的聚类结果，度量每个类内中心与类间中心的距离，使用距离的倒数作为每一类参与者的权重值，聚合得到全局模型并下发给对应的参与者，参与者继续进行本地训练；中央服务器持续接收参与者上传的本地模型，继续进行聚类直至全局模型收敛。本发明能够加快全局模型的收敛速度，同时提升全局模型对于各参与者数据的测试精度。
-
公开(公告)号：CN113627619A
公开(公告)日：2021-11-09
申请号：CN202110770971.4
申请日：2021-07-07
Applicant: 南京理工大学
IPC: G06N20/00
Abstract: 本发明公开了一种基于伪噪声序列的保障联邦学习系统的公平性的方法，包括以下步骤：在联邦学习系统中欲保护的学习模型上添加伪噪声序列；收集各个用户上传的学习模型；对已上传的学习模型进行伪噪声序列自相关检测和模型精度预检测；惩罚作假用户，补偿其影响，维护系统公平性。本发明实现了在联邦学习架构中检测作假用户的不公平行为，并且通过相应的惩罚和补偿机制，减小这些行为产生的影响，提高用户之间的公平性，营造良好的学习环境。
-
-
-
-
Search Results
5
records
(took 0.02 seconds)
