-
公开(公告)号：CN119210465A
公开(公告)日：2024-12-27
申请号：CN202411579167.8
申请日：2024-11-07
Applicant: 湖南科技大学
Abstract: 本发明涉及电数字数据处理技术领域，具体公开一种自适应压缩编码的分层联邦学习方法，该方法包括：分层联邦学习架构构建、边缘服务器匹配、模型生成性能判断、压缩率匹配以及分层联邦学习架构判断，首先构建出分层联邦学习架构，使得每一层都能充分利用其计算资源，通过匹配得到终端设备对应的边缘服务器，各终端设备用于生成环境数据训练模型，根据边缘服务器的网络传输性能得到对应的压缩率，边缘服务器接收各终端设备的环境数据训练模型并按照对应的压缩率依次进行自适应压缩编码以及边缘聚合，云服务器接收边缘聚合结果并进行全局聚合，最终判断分层联邦学习架构所属云服务器是否将全局聚合对应结果上传至环境资源调度云平台。
-
公开(公告)号：CN119728753B
公开(公告)日：2025-05-06
申请号：CN202510218358.X
申请日：2025-02-26
Applicant: 湖南科技大学
IPC: H04L67/2866 , H04L67/288 , H04L67/2885 , H04L67/1097 , H04W28/084 , H04W28/08 , G06N3/098 , G06F18/23213
Abstract: 本发明属于云‑边‑端协同训练技术领域，公开了一种面向异构资源和数据的高效分层联邦学习方法，包括：将每个边缘服务器ES端的移动设备MD根据计算能力和数据分布进行分组，使得每个组具有最大的数据分布相似性。同时将计算能力强的设备均匀的分布在不同组中，减少组间计算能力的差异性。同时，本发明设备端采用组内环形顺序训练方法，将训练好的模型传输给下一个连接的设备，减少了与移动设备MD与边缘服务器ES间的通信链路，提高了模型训练的效率。本发明利用设备之间的通信代替设备与服务器之间的通信，减少了与服务器通信的链路条数，增大了通信带宽，可以实现在减少通信开销的同时增强知识的融合。
-
公开(公告)号：CN119645510A
公开(公告)日：2025-03-18
申请号：CN202410147161.7
申请日：2024-02-02
Applicant: 湖南科技大学
IPC: G06F9/445 , G06F9/50 , G06N3/045 , G06N3/0442
Abstract: 本发明公开了一种依赖任务卸载方法、终端设备及存储介质，基于上述一种依赖任务卸载方法，提出了一种具有两个状态嵌入层的多依赖任务双路动态卸载和调度方案，通过使用双路GRU捕获多个依赖任务的特征向量，根据特征向量将依赖任务重建模为有向无环图并进行多异构依赖任务的特征融合，求得多异构依赖任务的最优调度路径，根据获得的最优调度路径来训练卸载模型，做出最佳的卸载决策；考虑到局部边端模型训练的局限性，通过提出一种新的边‑云协作的卸载框架，将异构边缘服务器中训练好的卸载调度模型上传至云端进行加权聚合更新以提高模型的泛化能力，本发明，具有计提高计算效率以更精确快捷处理任务和多任务低开销处理的特点。
-
公开(公告)号：CN119272846A
公开(公告)日：2025-01-07
申请号：CN202411789943.7
申请日：2024-12-06
Applicant: 湖南科技大学
IPC: G06N3/098 , G06N3/0442 , G06F18/2433 , G06F18/243
Abstract: 本发明公开了一种基于孤立森林异常检测的安全分层联邦学习方法,涉及电数字数据处理技术领域。该方法，包括以下步骤：在边缘服务器端建立GRU自注意力模型，通过GRU自注意力模型对全局参数提取时序特征状态，使用孤立森林算法对聚合后的GRU自注意力模型更新参数的时序特征状态建树，对比异常检测强度评估系数与GRU自注意力模型参数聚合后的异常检测强度阈值，根据对比结果采取自适应调整异常检测强度或发出警报的措施。本发明通过为每个服务器生成个性化的异常检测强度阈值决策，充分考虑不同服务器所遭受的攻击程度差异，合理分配检测强度，达到了提高服务器安全性的效果，解决了现有技术中存在服务器安全性不足的问题。
-
公开(公告)号：CN118939404B
公开(公告)日：2025-01-03
申请号：CN202411425785.7
申请日：2024-10-14
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于拆分联邦学习的分布式调度方法，涉及电数字数据处理技术领域。该基于拆分联邦学习的分布式调度方法，包括以下步骤：获取客户端状态信息；进行匹配度评估；进行任务分配；进行动态优化。本发明通过对客户端状态信息、样本信息和任务数据进行匹配度评估，根据得到的资源匹配度指数筛选出待测客户端组，并进行任务分配得到任务队列，然后根据传输策略将任务队列传输给待测客户端组，最后根据任务执行评估指数进行动态优化，达到了更稳定的进行分布式资源调度的效果，解决了现有技术中存在基于拆分联邦学习的分布式调度过程中调度稳定性低的问题。
-
Patent Agency Ranking
公开(公告)号：CN118939404A
公开(公告)日：2024-11-12
申请号：CN202411425785.7
申请日：2024-10-14
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于拆分联邦学习的分布式调度方法，涉及电数字数据处理技术领域。该基于拆分联邦学习的分布式调度方法，包括以下步骤：获取客户端状态信息；进行匹配度评估；进行任务分配；进行动态优化。本发明通过对客户端状态信息、样本信息和任务数据进行匹配度评估，根据得到的资源匹配度指数筛选出待测客户端组，并进行任务分配得到任务队列，然后根据传输策略将任务队列传输给待测客户端组，最后根据任务执行评估指数进行动态优化，达到了更稳定的进行分布式资源调度的效果，解决了现有技术中存在基于拆分联邦学习的分布式调度过程中调度稳定性低的问题。
-
公开(公告)号：CN117806806B
公开(公告)日：2024-05-17
申请号：CN202410218204.6
申请日：2024-02-28
Applicant: 湖南科技大学
Abstract: 本发明公开了任务部分卸载调度方法、终端设备及存储介质，涉及雾计算技术领域。该任务部分卸载调度方法、终端设备及存储介质，基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；获取各个子任务的任务处理相关信息，包括：子任务处理价值信息、子任务紧急信息，根据任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；获取子任务处理执行信息、节点负载信息，基于各个子任务处理的优先级依次计算出各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
-
公开(公告)号：CN117806806A
公开(公告)日：2024-04-02
申请号：CN202410218204.6
申请日：2024-02-28
Applicant: 湖南科技大学
Abstract: 本发明公开了任务部分卸载调度方法、终端设备及存储介质，涉及雾计算技术领域。该任务部分卸载调度方法、终端设备及存储介质，基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；获取各个子任务的任务处理相关信息，包括：子任务处理价值信息、子任务紧急信息，根据任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；获取子任务处理执行信息、节点负载信息，基于各个子任务处理的优先级依次计算出各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
-
公开(公告)号：CN120031108A
公开(公告)日：2025-05-23
申请号：CN202510499985.5
申请日：2025-04-21
Applicant: 湖南科技大学
IPC: G06N3/098 , G06N3/0464 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明公开了面向图像分类的鲁棒联邦学习架构，属于机器视觉技术领域，包括以下步骤：S1、筛选各训练客户端，对全局模型参数初始化；S2、得到各训练客户端的模拟增强数据；S3、得到各训练客户端的矫正后的特征向量；S4、得到局部模型训练的基本损失，由此进行各训练客户端的局部模型再训练；S5、得到各训练客户端的含噪局部模型，由此得到各训练客户端的局部更新模型，并上传至服务端；S6、服务端接收各训练客户端的局部更新模型，得到全局更新模型，重复S2至S6操作，直至全局更新模型收敛。解决了现有技术中在数据分布不均情况下，因数据异常出现导致的模型准确度下降的问题。
-
公开(公告)号：CN119918620A
公开(公告)日：2025-05-02
申请号：CN202510400785.X
申请日：2025-04-01
Applicant: 湖南科技大学
IPC: G06N3/098 , G06N3/0464 , G06N3/084 , G06F9/50
Abstract: 本发明公开了一种基于层间差异的自适应聚合联邦学习方法及设备。该方法涉及车联网机器学习领域，包括以下步骤：采集并处理车辆终端数据，通过迭代优化最小化损失函数得到本地模型参数，将全局和本地模型层之间的差异纳入聚合权重的计算过程中，进行联邦学习训练循环。本发明将模型拆解为层，并将全局和本地模型层之间的差异纳入聚合权重的计算过程中，以衡量高数据异质性场景下的不同客户端的贡献。同时引入了基于层间差异的正则项，根据层间差异动态调整各客户端每一轮的聚合权重，从而提高全局模型的跨域泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
