-
公开(公告)号：CN118551864B
公开(公告)日：2024-11-01
申请号：CN202410993593.X
申请日：2024-07-24
Applicant: 湘江实验室
Abstract: 本申请公开了一种基于边缘设备的联邦学习方法、装置、服务器及介质，该方法包括：获取集群中边缘设备的选中个数、计算功耗和传输功耗，根据选中个数、计算功耗、传输功耗以及预设的总功耗生成模型，生成集群对应的总功耗；将最小的总功耗对应的集群标记为目标集群；向目标集群的多个边缘设备发送上传指令；获取边缘设备基于上传指令返回的本地模型参数，将多个本地模型参数进行聚合，得到更新参数，将第一全局模型的初始参数修改为更新参数，将使用更新参数的第一全局模型设置为第二全局模型；当损失值小于预设值时，将第二全局模型设置为电力系统的电量预测模型，生成电量预测模型的整体评估值。本申请有利于提高电量预测模型的预测效率。
-
公开(公告)号：CN118364898B
公开(公告)日：2024-09-03
申请号：CN202410783397.X
申请日：2024-06-18
Applicant: 湘江实验室
Abstract: 本发明实施例中提供了一种基于相互知识转移的联邦学习优化方法，属于计算技术领域，具体包括：存储大模型对应的数据集；在中央服务器通过知识蒸馏将大模型的知识迁移至蒸馏后的学生模型上；将学生模型下发给联邦系统的本地客户端；得到本轮训练后的一代本地模型；通过相互知识转移技术得到该本地客户端本轮训练的二代本地模型；服务器将本地客户端上传的模型进行模型聚合，得到本轮训练的全局模型；将上一轮训练后的全局模型再次下发给联邦系统的各个本地客户端，本地客户端再次利用本地数据集训练本轮的本地模型，进行迭代训练，直至最后一轮训练完成后的全局模型收敛，结束训练过程。通过本发明的方案，提高了模型性能、泛化能力和安全性。
-
公开(公告)号：CN119151015B
公开(公告)日：2025-03-04
申请号：CN202411614725.X
申请日：2024-11-13
Applicant: 湘江实验室
IPC: G06N20/00 , G06F18/213 , G06F18/25
Abstract: 本申请涉及多模态数据技术领域，提供了一种弥补模态缺失的多模态联邦学习方法及相关设备，该方法包括：从所有目标客户端中确定出缺失客户端；对缺失客户端的模态的数据进行特征提取，得到数据特征，对所有数据特征进行融合得到最终融合特征，并提取缺失客户端的模态的数据的时间特征，对所有时间特征进行融合得到最终时间特征，基于最终融合特征和最终时间特征，获取缺失模态的数据；将目标客户端和获取缺失模态的数据后的缺失客户端均作为最终客户端，利用最终客户端的所有模态的数据对每个模态模型进行训练，得到训练后的模态模型；将所有训练后的模态模型进行整合得到多模态模型。本申请的方法能够提高多模态模型的质量。
-
公开(公告)号：CN119228508A
公开(公告)日：2024-12-31
申请号：CN202411736695.X
申请日：2024-11-29
Applicant: 湘江实验室
IPC: G06Q30/0601 , G06F40/216 , G06F40/242 , G06F40/30 , G06N3/045 , G06Q30/0282
Abstract: 本发明实施例中提供了一种基于评论文本与评分融合的汽车个性化推荐方法，属于数据处理技术领域，具体包括：获取用户星级评分、评论文本数据和用户特征数据；情感极性分析得到情感分数向量；获取确定性分数向量；构建无向网络并划分同一星级评分的用户群体；获取第一综合文本情感分数向量、第一综合确定性分数向量和第一综合长度；计算每个社区的聚合权重并据此获取同一星级评分下的第二综合文本情感分数向量和第二确定性分数向量；计算星级评分的折扣系数，并获取每个属性下的综合评分；依据用户个性化属性权重和综合评分，通过加权平均获得所有备选汽车的综合评分，最终推荐最优汽车。通过本发明的方案，提高了推荐精准度和全面性。
-
公开(公告)号：CN118364897B
公开(公告)日：2024-09-03
申请号：CN202410765183.X
申请日：2024-06-14
Applicant: 湘江实验室
IPC: G06N3/098 , G06N3/0464 , G06N3/0495 , G06N3/082 , G06N5/01 , G06V10/82
Abstract: 本发明提供了一种基于混合精度量化与模拟退火剪枝的联邦学习训练方法，通过中央服务器对原始全局模型进行初始化和量化处理后与训练任务同时下发至多个本地工业设备进行反量化处理并通过本地工业产品图像进行训练，得到本地模型；在每个本地工业设备对本地模型进行混合精度量化和剪枝，得到量化损失函数和剪枝后的损失函数；每个本地工业设备根据量化损失函数和剪枝后的损失函数计算综合损失对本地模型进行迭代更新后上传至中央服务器进行反量化处理并聚合得到是否满足预设训练条件的全局模型；若是，则训练结束；否则，将全局模型作为原始全局模型，并返回执行进行初始化和量化处理；有效提升了联邦学习整体的通信和数据传输效率。
-
Patent Agency Ranking
公开(公告)号：CN118364897A
公开(公告)日：2024-07-19
申请号：CN202410765183.X
申请日：2024-06-14
Applicant: 湘江实验室
IPC: G06N3/098 , G06N3/0464 , G06N3/0495 , G06N3/082 , G06N5/01 , G06V10/82
Abstract: 本发明提供了一种基于混合精度量化与模拟退火剪枝的联邦学习训练方法，通过中央服务器对原始全局模型进行初始化和量化处理后与训练任务同时下发至多个本地工业设备进行反量化处理并通过本地工业产品图像进行训练，得到本地模型；在每个本地工业设备对本地模型进行混合精度量化和剪枝，得到量化损失函数和剪枝后的损失函数；每个本地工业设备根据量化损失函数和剪枝后的损失函数计算综合损失对本地模型进行迭代更新后上传至中央服务器进行反量化处理并聚合得到是否满足预设训练条件的全局模型；若是，则训练结束；否则，将全局模型作为原始全局模型，并返回执行进行初始化和量化处理；有效提升了联邦学习整体的通信和数据传输效率。
-
公开(公告)号：CN117236421A
公开(公告)日：2023-12-15
申请号：CN202311512843.5
申请日：2023-11-14
Applicant: 湘江实验室
Abstract: 本发明实施例中提供了一种基于联邦知识蒸馏的大模型训练方法，属于计算技术领域，具体包括：步骤1，将预设机构中的数据集联合，构建联邦大模型系统；步骤2，在联邦大模型系统中的服务器中部署一个知识蒸馏，以用户的本地数据训练出来的模型参数作为输入，训练得到一个教师模型，在知识蒸馏的控制下使用教师模型的输出和本地数据的真实标签训练学生模型；步骤3，将训练好的学生模型通过服务器发送给小机构的客户端；步骤4，根据小机构的数据量和训练需要，结合学生模型确定训练方案进行训练，得到目标模型。通过本发明的方案，提高了训练效率和安全性。
-
公开(公告)号：CN119228508B
公开(公告)日：2025-03-07
申请号：CN202411736695.X
申请日：2024-11-29
Applicant: 湘江实验室
IPC: G06Q30/0601 , G06F40/216 , G06F40/242 , G06F40/30 , G06N3/045 , G06Q30/0282
Abstract: 本发明实施例中提供了一种基于评论文本与评分融合的汽车个性化推荐方法，属于数据处理技术领域，具体包括：获取用户星级评分、评论文本数据和用户特征数据；情感极性分析得到情感分数向量；获取确定性分数向量；构建无向网络并划分同一星级评分的用户群体；获取第一综合文本情感分数向量、第一综合确定性分数向量和第一综合长度；计算每个社区的聚合权重并据此获取同一星级评分下的第二综合文本情感分数向量和第二确定性分数向量；计算星级评分的折扣系数，并获取每个属性下的综合评分；依据用户个性化属性权重和综合评分，通过加权平均获得所有备选汽车的综合评分，最终推荐最优汽车。通过本发明的方案，提高了推荐精准度和全面性。
-
公开(公告)号：CN117236421B
公开(公告)日：2024-03-12
申请号：CN202311512843.5
申请日：2023-11-14
Applicant: 湘江实验室
Abstract: 本发明实施例中提供了一种基于联邦知识蒸馏的大模型训练方法，属于计算技术领域，具体包括：步骤1，将预设机构中的数据集联合，构建联邦大模型系统；步骤2，在联邦大模型系统中的服务器中部署一个知识蒸馏，以用户的本地数据训练出来的模型参数作为输入，训练得到一个教师模型，在知识蒸馏的控制下使用教师模型的输出和本地数据的真实标签训练学生模型；步骤3，将训练好的学生模型通过服务器发送给小机构的客户端；步骤4，根据小机构的数据量和训练需要，结合学生模型确定训练方案进行训练，得到目标模型。通过本发明的方案，提高了训练效率和安全性。
-
公开(公告)号：CN116932921B
公开(公告)日：2023-12-12
申请号：CN202311199555.9
申请日：2023-09-18
Applicant: 湘江实验室
IPC: G06F16/9535 , G06Q10/0639
Abstract: 本发明提供了一种汽车个性化推荐方法及相关设备，包括：获取用户评分数据、投诉数据和安全测试数据；提取满意度数据划分评分口碑指标等级并获取评分口碑聚合值；提取各类汽车的风险程度数据，计算各类汽车的投诉量与销售量之比构建投诉发生率指标等级并获取投诉质量口碑聚合值；对各类汽车的安全指标进行评分构建安全评估等级并获取安全评分聚合值；将指标权重均设置为均值权重计算三维度评分聚合值、包括评分口碑、投诉质量口碑、安全评分和三维度评分聚合均值的四维向量，并基于四维向量遴选出初步推荐车辆集；最后从初步推荐车辆集中筛选出最终推荐的车辆集；从用户评价、投诉和安全测试多方面考虑为用户提供便捷高效的汽车推荐。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.018 seconds)
