-
公开(公告)号：CN117407693B
公开(公告)日：2024-05-24
申请号：CN202311361294.6
申请日：2023-10-20
Applicant: 湖北大学
IPC: G06F18/213 , G06F18/22 , G06F18/27 , G06F18/10 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/08 , G06N3/09
Abstract: 本发明公开一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，收集电器设备时间和功率信息作为总体样本，并分为源域样本和目标域样本，联合部分域自适应策略和多目标回归机制构建负荷分解网络模型，负荷分解网络模型包括特征提取层、特征对齐层和负荷分解层，特征提取层提取样本的空间特征和时间特征；特征对齐层将源域特征和目标域特征对齐消除差异，负荷分解层实现负荷分解。本发明利用源域和目标域间电器能耗的特征分布差异以及目标域的无标签数据，充分考虑跨域电器类别的差异和对多个电器进行分解，本发明首次引入部分域自适应策略，突破对电器类别的约束，从而实现了无监督的多目标回归的非侵入式负荷监测。
-
公开(公告)号：CN119106448A
公开(公告)日：2024-12-10
申请号：CN202411289520.9
申请日：2024-09-14
Abstract: 本发明公开一种联邦还原学习客户端的被遗忘权的持续性验证方法，在遗忘客户端的数据中嵌入EnduraMark印记，并在多个训练轮次中跟踪全局模型的表现，确保能够精确地验证联邦还原学习客户端的数据是否被成功遗忘。本发明采用后门攻击来评估遗忘效果，避免潜在的隐私泄露问题。本发明引入一种改进的缩放策略和印记增强数据增强方法，增强了私有印记在联邦学习模型中的持久性，降低了模型良性更新对印记稀释的影响，使得对客户端的遗忘权的验证在长期模型训练中依然具有较高的有效性。
-
Patent Agency Ranking
公开(公告)号：CN117407693A
公开(公告)日：2024-01-16
申请号：CN202311361294.6
申请日：2023-10-20
Applicant: 湖北大学
IPC: G06F18/213 , G06F18/22 , G06F18/27 , G06F18/10 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/08 , G06N3/09
Abstract: 本发明公开一种基于部分域自适应和分位数回归的非侵入式负荷检测方法，收集电器设备时间和功率信息作为总体样本，并分为源域样本和目标域样本，联合部分域自适应策略和多目标回归机制构建负荷分解网络模型，负荷分解网络模型包括特征提取层、特征对齐层和负荷分解层，特征提取层提取样本的空间特征和时间特征；特征对齐层将源域特征和目标域特征对齐消除差异，负荷分解层实现负荷分解。本发明利用源域和目标域间电器能耗的特征分布差异以及目标域的无标签数据，充分考虑跨域电器类别的差异和对多个电器进行分解，本发明首次引入部分域自适应策略，突破对电器类别的约束，从而实现了无监督的多目标回归的非侵入式负荷监测。
-
公开(公告)号：CN118097150A
公开(公告)日：2024-05-28
申请号：CN202410344583.3
申请日：2024-03-25
Applicant: 湖北大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种小样本伪装目标分割方法，构建和训练伪装目标分割网络，伪装目标分割网络包括共享骨干网络、伪装元学习模块和伪装基础学习解码器，将一组支持图像和查询图像输入伪装目标分割网络进行处理，图像通过共享骨干网络先得到对应两类特征图，然后经由伪装元学习模块中的定位聚焦模块处理特征图得到细节特征矩阵，同时伪装元学习模块根据支持图像的信息进行知识引导，得到与查询图像的相似度特征图；使用ASPP模块对得到的所有特征图和特征矩阵进行特征增强，并分类得出预测掩码，伪装基础学习解码器则通过对查询集图像的边缘轮廓进行预测，通过不断迭代细化生成预测掩码，再将伪装元学习模块和伪装基础学习解码器的预测掩码融合得到最终的预测掩码。
-
公开(公告)号：CN117313835A
公开(公告)日：2023-12-29
申请号：CN202311287983.7
申请日：2023-10-08
Applicant: 湖北大学
IPC: G06N3/098 , G06N3/0464 , G06N3/084 , H04L67/10
Abstract: 本发明公开一种异质数据环境下基于客户端贡献理清的联邦学习方法，包括分发全局模型、本地模型更新与评估、上传本地信息以及对更新后的全局模型进行加权聚合。本发明通过平衡数据量和局部模型精确度的关系，为节点分配与其贡献相匹配的权重，最终达到提升全局模型精确度的目的。
-
公开(公告)号：CN119443308A
公开(公告)日：2025-02-14
申请号：CN202411445077.X
申请日：2024-10-16
Abstract: 本发明提供一种联邦学习中基于价值增益的贡献评估方法，包括：步骤S1.基于多维计算模型间相关性的贡献评估指标计算每个客户端本地模型与全局模型之间在第t轮次的相关性；步骤S2.基于动态调整机制计算第t轮的全局模型与预热模型之间参数上的距离并进行归一化操作获取参与客户端每一通信轮次的贡献权重；步骤S3.基于步骤1中的每个客户端本地模型与全局模型之间在第t轮次的相关性和步骤2中参与客户端每一通信轮次的贡献权重计算客户端的真实贡献值。本发明在客户端的贡献评估领域，该方法有效降低了计算复杂度并不依赖于测数据集。
-
公开(公告)号：CN118097150B
公开(公告)日：2024-08-27
申请号：CN202410344583.3
申请日：2024-03-25
Applicant: 湖北大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种小样本伪装目标分割方法，构建和训练伪装目标分割网络，伪装目标分割网络包括共享骨干网络、伪装元学习模块和伪装基础学习解码器，将一组支持图像和查询图像输入伪装目标分割网络进行处理，图像通过共享骨干网络先得到对应两类特征图，然后经由伪装元学习模块中的定位聚焦模块处理特征图得到细节特征矩阵，同时伪装元学习模块根据支持图像的信息进行知识引导，得到与查询图像的相似度特征图；使用ASPP模块对得到的所有特征图和特征矩阵进行特征增强，并分类得出预测掩码，伪装基础学习解码器则通过对查询集图像的边缘轮廓进行预测，通过不断迭代细化生成预测掩码，再将伪装元学习模块和伪装基础学习解码器的预测掩码融合得到最终的预测掩码。
-
-
-
-
-
-
Search Results
7
records
(took 0.013 seconds)
