公开(公告)号：CN118965384A

公开(公告)日：2024-11-15

申请号：CN202410978999.0

申请日：2024-07-22

Applicant: 苏州科技大学

Inventor： 范耘豪 ,  翟子豪 ,  丰静 ,  陈珍萍 ,  叶文浩

IPC: G06F21/60 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  H02J3/00

Abstract: 本发明公开了一种基于同态加密的企业电力负荷分布式联邦预测方法，包括以下步骤：步骤1、服务器将负荷预测模型下发给各个客户端；步骤2、客户端利用本地的数据集数据训练负荷预测模型，得到权重参数后加密为同态加密数据发送给服务器；步骤3、服务器对客户端发来的同态加密数据解密得到权重参数，然后聚合各个客户端的权重参数得到全局模型权重后，加密为同态加密数据下发给各个客户端；步骤4、每个客户端对同态加密数据进行解密后，将全局模型权重加载至本地的负荷预测模型，用于负荷预测。本发明不仅能够实现企业电力负荷的精准预测，还通过数据交互过程中的同态加密兼顾了隐私性保护要求。

公开(公告)号：CN119831000A

公开(公告)日：2025-04-15

申请号：CN202411887862.0

申请日：2024-12-20

Applicant: 苏州科技大学

Inventor： 陈珍萍 ,  左毅 ,  周怡红 ,  丰静 ,  翟子豪 ,  鞠张琰

IPC: G06N3/098 ,  G06N3/042

Abstract: 本发明属于联邦学习技术领域，涉及一种基于知识蒸馏驱动的自适应去中心化小样本联邦学习框架，首先，提出了基于知识偏移的策略，通过衡量学生模型与教师模型间的知识偏移度，优化各节点的本地模型更新，减少模型间差异，提升整体性能；其次，利用图神经网络构建节点间的邻居关系图，指导知识蒸馏过程，增强模型的泛化能力；最后，设计了一种自适应频率调整算法，根据模型偏移度和通信成本动态调整模型更新频率，以减少不必要的通信开销并提升训练效率；该框架在Mini‑ImageNet和Tiered‑ImageNet数据集上相比传统联邦学习方法显著提高了分类准确率并减少了通信成本。

公开(公告)号：CN118072077A

公开(公告)日：2024-05-24

申请号：CN202410099569.1

申请日：2024-01-24

Applicant: 苏州科技大学

Inventor： 陈珍萍 ,  左毅 ,  范耘豪 ,  陆悠 ,  翟子豪 ,  丰静

IPC: G06V10/764 ,  G06V10/82 ,  G06F21/62

Abstract: 本发明公开了基于联邦学习小样本图像对比数据隐私保护分类方法，具体涉及联邦学习技术领域，建立联邦小样本学习机制，构建模型并应用于所有客户端，实现在训练过程中有效保护数据隐私；通过FFSLCL网络框架识别新类别的样本：通过重要参数的设置在执行已知类别的分类任务外，实现模型快速适应新类别，让模型能够对目标类进行泛化，在各个客户端在自身拥有少量数据的情况下，对目标类进行准确分类；采用patchmix图像增强方法，将图像中的补丁加入到训练过程中，以便模型学习到图像中真实的类别特征。本发明提高模型的准确率，解决了联邦学习中的小样本问题。