公开(公告)号：CN112734032A

公开(公告)日：2021-04-30

申请号：CN202011635450.X

申请日：2020-12-31

Applicant: 杭州电子科技大学

Inventor： 张忠良 ,  程慧慧 ,  陈琼 ,  雒兴刚 ,  蔡灵莎

IPC: G06N3/08

Abstract: 本发明属于联邦学习以及大数据技术领域，具体涉及一种用于横向联邦学习的优化方法，包括以下步骤：S1、客户端采集数据，并对数据进行预处理；S2、通过SMOTE‑Non‑IID模型处理客户端的数据；S3、通过横向联邦学习中的客户端‑服务器架构，结合数据生成环境，进行SMOTE‑Non‑IID模型训练；S4、得到SMOTE‑Non‑IID的优化模型，通过预测以得到评估结果；本发明每个客户端采用SMOTE算法合成数据，同时接收来自其他客户端的合成数据，有效处理联邦学习中数据异构性问题，能够保证较高预测准确率。

公开(公告)号：CN112734006A

公开(公告)日：2021-04-30

申请号：CN202011635471.1

申请日：2020-12-31

Applicant: 杭州电子科技大学

Inventor： 张忠良 ,  夏鹏飞 ,  陈愉予 ,  陈琼 ,  雒兴刚 ,  蔡灵莎

IPC: G06N3/04 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明属于推荐系统技术领域，具体涉及一种基于GCN和集成学习的推荐算法，包括以下步骤：S1、数据获取：通过程序获取图信号数据；S2、模型训练：通过将图信号数据转换为图的拉普拉斯矩阵，以训练GCN模型；S3、模型预测：通过设置的Dropout率，将训练的GCN模型表示为多个基模型，并将所有基模型预测的Softmax值作为最终预测值；本发明有效提高推荐算法的准确率，通过大量的图信号数据，利用GCN能够在图信号数据上获取特征的能力，结合集成学习的技术，最大限度的提高模型的准确率。