基于增强对抗学习的自编码器算法

    公开(公告)号:CN117610642A

    公开(公告)日:2024-02-27

    申请号:CN202311354663.9

    申请日:2023-10-18

    Applicant: 四川大学

    Abstract: 本发明提供一种基于增强对抗学习的自编码器算法,该方法通过引入改进的增强自编码器和对抗的解码器结构,以提高模型对有效特征的提取能力和异常检测性能。在训练过程中,使用集成学习的思想,通过多个编码器的组合和自适应权重分配,实现对异常样本和正常样本的同时关注。此外,通过引入噪声层和深层生成器,增强模型对真实数据和重构生成数据的区分能力。通过合并增强编码器和对抗训练的训练步骤,减少迭代次数,提高训练效率和模型稳定性。

    一种基于纳什谈判理论的联邦学习激励方案

    公开(公告)号:CN119831070A

    公开(公告)日:2025-04-15

    申请号:CN202411877713.6

    申请日:2024-12-19

    Applicant: 四川大学

    Abstract: 本发明提出了一种基于纳什谈判理论的联邦学习激励方案,旨在优化数据提供方与请求方之间的协作。通过引入SC‑NBTI协议,并结合IPFS分布式文件系统,实现了高效的任务管理和执行。为了提升通信效率和保护数据隐私,采用概率稀疏矩阵压缩技术来减少梯度传输的数据量和通信成本。针对复杂的纳什谈判解,本发明提出了一种贪心的客户端选择策略,并结合奖金支付策略,简化了解算过程,确保了联邦学习参与各方收益平衡。这种方法不仅提高了资源分配效率,还保证了所有参与者获得公平回报。SC‑NBTI被部署在区块链上,利用其透明、不可篡改的特点,实现了自动化管理,增强了任务的可追溯性和可验证性,减少了纠纷和违约风险。这种设计确保了联邦学习任务的高效进行。

    一种基于关键特征提取的工业软件资源共享方法

    公开(公告)号:CN119442310A

    公开(公告)日:2025-02-14

    申请号:CN202411481813.7

    申请日:2024-10-23

    Applicant: 四川大学

    Abstract: 本发明提供了一种基于关键特征提取的工业软件资源共享方法,分为三个阶段:特征提取阶段、初次共享阶段和联邦学习阶段。在特征提取阶段,工业软件资源提供方利用变分自编码器(VAE)处理本地原始数据,提取鲁棒特征,并计算关键特征。在初次共享阶段,参与方对提取的关键特征添加随机噪声、加密后上传至区块链,形成全局共享特征集合。联邦学习阶段,参与方结合全局特征集合与本地特征,通过分布式协作训练统一模型。为确保隐私安全,模型参数更新时采用同态加密技术进行加密聚合,防止隐私泄露。

    面向供应链的安全跨链数据互联与业务协同方法、装置和存储介质

    公开(公告)号:CN118900169A

    公开(公告)日:2024-11-05

    申请号:CN202410935109.8

    申请日:2024-07-12

    Applicant: 四川大学

    Abstract: 本申请提供一种面向供应链的安全跨链数据互联与业务协同方法、装置和存储介质,属于数据处理技术领域。所述方法包括:云上加密存储全要素数据,链上细粒度加密存储元数据,由数据提供者构建和验证访问授权码;通过数据授权合约与数据访问合约实现同链的数据共享与解析使用;通过跨链数据授权合约与跨链数据访问合约,借助公证者思想,以公共锚节点作为跨链数据共享的可信中转,实现跨链数据的共享与解析使用;跨链数据互联以上述数据共享为基础,在跨链数据互联合约内部进行跨链协同业务数据的互联互通,为多链业务协同提供相关业务数据联系空间。本申请旨在设置安全可靠的跨链数据互联机制,提供多链业务协同的解决方案。

    一种基于关键特征提取的数据共享方案

    公开(公告)号:CN118842774A

    公开(公告)日:2024-10-25

    申请号:CN202410942352.2

    申请日:2024-07-15

    Applicant: 四川大学

    Abstract: 本发明涉及一种基于关键特征提取的数据共享方案,具体包括:系统建模:该方案由多个数据提供方和一个区块链平台组成。特征提取阶段:各数据提供方利用变分自编码器(VAE)处理本地数据,提取鲁棒特征并计算关键特征。初次共享阶段:各数据提供方对提取出的关键特征进行随机噪声处理、打包和加密后上传至区块链平台。各方随后从区块链中提取关键特征,形成全局共享特征集合,并结合本地鲁棒特征用于后续联邦学习任务。联邦学习阶段:各方基于特征集合和本地特征执行联邦学习,分布式协作训练统一机器学习模型,直至模型拟合或达到预定迭代次数。每次模型更新时采用同态加密技术对全局参数加密聚合,确保隐私安全,防止通过模型参数逆向推导泄露隐私。

    一种基于改进深度强化学习算法的柔性车间调度方法

    公开(公告)号:CN118365019A

    公开(公告)日:2024-07-19

    申请号:CN202410298721.9

    申请日:2024-03-15

    Applicant: 四川大学

    Abstract: 本发明公开了一种基于改进深度强化学习算法的柔性车间调度方法。本发明涉及到工业系统生产调度领域。本发明提出的基于改进深度强化学习算法的柔性车间调度方法具有调度效果好、能够对机器利用率进行提高的优点。与传统的基于深度强化学习的柔性车间调度算法相比,本发明将Local Search算法(邻域搜索算法)应用到了Deep Q‑learning算法(深度Q学习算法)当中,提出了一种新型的同时具备Local Search算法局部搜索能力以及Deep Q‑learning算法全局搜索能力的Deep Q‑learning Combined with Local Search算法(结合了邻域搜索算法的深度Q学习算法)。最后通过一系列标准数据集上的实验,成功证明了Deep Q‑learning Combined with Local Search算法(结合了邻域搜索算法的深度Q学习算法)在解决柔性车间调度问题上的优越性。

Patent Agency Ranking