-
公开(公告)号：CN119808898A
公开(公告)日：2025-04-11
申请号：CN202510308916.1
申请日：2025-03-17
Applicant: 湖南科技大学
Abstract: 本发明涉及联邦学习技术领域，具体公开一种具备数据感知能力的分层可信联邦学习方法，该方法通过分层可信联邦学习装置获取各客户端设备学习性能数据，并得到各客户端设备学习性能指标，判断是否对其进行性能预警，然后分层可信联邦学习装置将各客户端设备公钥上传至区块链，由此筛选出各可访问控制设备，确保了数据隐私，各可访问控制设备训练生成各可访问控制设备所属本地模型，随后得到各可访问控制设备所属本地模型训练特征值，并判断是否重新进行训练，同时获取各可访问控制设备的训练评估指数，由此完成智能分组，并对各组可访问控制设备所属本地模型进行聚合，生成全局模型，并上传到区块链完成全局模型更新，提高了模型训练效率和准确性。
-
公开(公告)号：CN119728080A
公开(公告)日：2025-03-28
申请号：CN202510226297.1
申请日：2025-02-27
Applicant: 湖南科技大学
IPC: H04L9/00 , H04L9/40 , H04L67/1097 , H04L67/54 , H04L67/1396
Abstract: 本发明涉及密码数据安全处理技术领域，具体公开用于用户注册的去中心化管理方法、系统以及存储介质，该方法包括：注册平台安全监测、用户注册安全管理、用户密钥分析以及区块链的安全分析，通过实时监测获取注册平台运行过程中的安全性能数据，能够及时发现并处理注册平台潜在的安全隐患，通过监测用户在注册过程中的行为数据，能够及时发现并处理异常注册行为，通过获取用户在注册过程中的密钥数据，确保用户设置的密钥足够复杂，难以被破解，将用户在注册过程中数据进行加密存储，确保用户数据在传输和存储过程中的安全性，实现用户数据的分布式存储，同时，去中心化管理方法降低了对中心化机构的依赖，提高了用户注册过程的安全性。
-
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：CN118395191A
公开(公告)日：2024-07-26
申请号：CN202410815645.4
申请日：2024-06-24
Applicant: 湖南科技大学
IPC: G06F18/214 , G06F18/10 , G06N3/098 , G06F21/62 , G06F21/64
Abstract: 本发明涉及一种维度驱动的去中心化联邦学习数据偏差处理方法（TrustBCFL），采用局部内在维度（LID）理论在本地数据集层面完成了噪声客户端识别，同时针对噪声客户端的噪声标签，使用最新的全局模型，根据样本的Loss值完成噪声标签校正，从而减少了联邦客户端数据集中的信息丢失。采用基于委员会共识的联邦学习本地模型筛选机制在模型层面完成了低质量局部模型更新的筛查，只有提交的模型LID值在阈值范围内的训练客户端才能通过验证委员会的交叉评估。本发明借助局部内在维度理论和区块链技术解决了传统联邦学习的本地数据偏差问题和单点故障问题，并有效平衡数据隐私和数据共享需求。
-
公开(公告)号：CN118312817A
公开(公告)日：2024-07-09
申请号：CN202410729844.3
申请日：2024-06-06
Applicant: 湖南科技大学
IPC: G06F18/23213 , G06F18/214 , G06F18/22
Abstract: 本发明涉及粒度粗糙熵改进技术领域，具体公开一种基于粒度粗糙熵的改进k‑Medoids聚类方法，该方法包括：粒度粗糙熵评估、最小距离比对以及聚类质量反馈，首先得到各需聚类数据样本对应的粒度粗糙熵，并筛选出各需聚类数据样本与对应的初始簇之间的最小距离，若该最小距离均小于设定的距离界定值，则进行聚类质量反馈；通过对粒度粗糙熵的分析，能够降低噪声和异常值对聚类结果的影响，并结合函数分析可以减少计算配置在运算时的运算工作量，提高计算配置的运行效率和数据处理的准确度，减少存储设备的存储负担，由此提高k‑Medoids聚类算法的聚类质量和准确性。
-
Patent Agency Ranking
公开(公告)号：CN120074539A
公开(公告)日：2025-05-30
申请号：CN202510552638.4
申请日：2025-04-29
Applicant: 湖南科技大学
IPC: H03M7/30
Abstract: 本申请公开了一种基于混合压缩算法的数据压缩方法及系统，涉及时序测量数据压缩领域，该方法包括：获取实测监测参数序列和历史实测监测种子数据，并调用预测模型确定预测监测参数序列，计算残差序列；根据残差序列在各个滑动窗口的标准差将残差序列划分为低方差段和高方差段；对低方差段的残差值进行聚类处理以生成相应的字典索引，将高方差段的残差值进行频域变换、量化处理及熵编码而生成相应的频域压缩编码；对历史实测监测种子数据进行无损编码以生成相应的种子数据压缩编码，通过打包组合而得到针对实测监测参数序列的实测监测压缩数据。由此，在边缘设备编码端引入混合压缩算法，通过先验知识建模减少对实时数据全量分析的依赖。
-
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：CN119728080B
公开(公告)日：2025-05-16
申请号：CN202510226297.1
申请日：2025-02-27
Applicant: 湖南科技大学
IPC: H04L9/00 , H04L9/40 , H04L67/1097 , H04L67/54 , H04L67/1396
Abstract: 本发明涉及密码数据安全处理技术领域，具体公开用于用户注册的去中心化管理方法、系统以及存储介质，该方法包括：注册平台安全监测、用户注册安全管理、用户密钥分析以及区块链的安全分析，通过实时监测获取注册平台运行过程中的安全性能数据，能够及时发现并处理注册平台潜在的安全隐患，通过监测用户在注册过程中的行为数据，能够及时发现并处理异常注册行为，通过获取用户在注册过程中的密钥数据，确保用户设置的密钥足够复杂，难以被破解，将用户在注册过程中数据进行加密存储，确保用户数据在传输和存储过程中的安全性，实现用户数据的分布式存储，同时，去中心化管理方法降低了对中心化机构的依赖，提高了用户注册过程的安全性。
-
公开(公告)号：CN119918689A
公开(公告)日：2025-05-02
申请号：CN202510400578.4
申请日：2025-04-01
Applicant: 湖南科技大学
IPC: G06N10/60 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种专为智慧城市设计的全新量子智能计算方法，包括：构建量子卷积层，通过量子态编码和量子门操作提取图像特征；设计量子卷积核，利用量子叠加实现并行计算；通过量子纠缠增强特征学习能力；优化量子电路以降低计算复杂度；本发明提供的方法充分利用量子门和量子电路在图像特征提取方面的卓越表现，凭借量子叠加和量子纠缠的特性，使得量子卷积神经网络在处理复杂数据和大规模并行计算时显著提高了计算能力，适用于智慧城市的多种应用场景，为智慧城市的高效数据处理和实时决策提供了强大的技术支持，具有广泛的应用前景。
-
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
40
records
(took 0.024 seconds)
