公开(公告)号：CN115829009B

公开(公告)日：2024-10-29

申请号：CN202211391786.5

申请日：2022-11-08

Applicant: 重庆邮电大学

Inventor： 肖云鹏 ,  张群清 ,  李暾 ,  李茜 ,  庞育才 ,  王蓉 ,  王国胤

IPC: G06N3/0475 ,  G06N3/0895

Abstract: 本发明涉及联邦学习领域，特别涉及一种隐私保护下基于半监督联邦学习的数据增强方法，包括构建带辅助分类器的生成对抗网络ACGAN，将改进的Dropout加入ACGAN，将已标注的数据输入ACGAN进行数据增强；构建包括一个中心服务器和C个客户端的Cycle‑Fed模型，利用已标注样本和增强样本对Cycle‑Fed模型进行训练，并将未标注的样本的数据输入Cycle‑Fed模型预测得到伪标注样本；将伪标注样本输入ACGAN的鉴别器进行鉴别，得到具有双重置信度的伪标注样本，完成数据增强；本发明不仅能够大大减小客户端与服务器之间的通信代价，而且能够利用大量未标注数据进行半监督联邦学习。

公开(公告)号：CN115829009A

公开(公告)日：2023-03-21

申请号：CN202211391786.5

申请日：2022-11-08

Applicant: 重庆邮电大学

Inventor： 肖云鹏 ,  张群清 ,  李暾 ,  李茜 ,  庞育才 ,  王蓉 ,  王国胤

IPC: G06N3/0475 ,  G06N3/0895

Abstract: 本发明涉及联邦学习领域，特别涉及一种隐私保护下基于半监督联邦学习的数据增强方法，包括构建带辅助分类器的生成对抗网络ACGAN，将改进的Dropout加入ACGAN，将已标注的数据输入ACGAN进行数据增强；构建包括一个中心服务器和C个客户端的Cycle‑Fed模型，利用已标注样本和增强样本对Cycle‑Fed模型进行训练，并将未标注的样本的数据输入Cycle‑Fed模型预测得到伪标注样本；将伪标注样本输入ACGAN的鉴别器进行鉴别，得到具有双重置信度的伪标注样本，完成数据增强；本发明不仅能够大大减小客户端与服务器之间的通信代价，而且能够利用大量未标注数据进行半监督联邦学习。