公开(公告)号：CN113888400B

公开(公告)日：2024-04-26

申请号：CN202111302183.9

申请日：2021-11-04

Applicant: 大连理工大学

Inventor： 李祎 ,  谢鑫 ,  付海燕 ,  王波 ,  郭艳卿

IPC: G06T3/04 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明提供一种图像风格迁移方法及装置，方法包括：将所述内容图像Ic和风格图像Is输入到预训练好的编码器网络E中进行特征提取，将内容特征C和风格特征S融合并投影到隐空间Z；将风格特征S的信息输入解码器网络D的第一层卷积中获得解调过后的解码器第一层权重A'1；基于FastICA算法获取一个分离矩阵W，所述分离矩阵W使矩阵#imgabs0#'中各向量的相关性最小；基于所述分离矩阵W与矩阵#imgabs1#'计算获取解调后的语义方向集合；基于获取的语义方向编辑所述隐空间Z中的隐空间向量，结合解码器网络D最终获取风格迁移后的图像。本发明不需要大规模的风格数据集进行训练，也不需要学习任何参数，并且能够应用于多数风格迁移模型。

公开(公告)号：CN116992282A

公开(公告)日：2023-11-03

申请号：CN202310825436.3

申请日：2023-07-06

Applicant: 大连理工大学

Inventor： 刘航 ,  李虹金 ,  郭艳卿 ,  付海燕 ,  李祎 ,  王波

IPC: G06F18/214 ,  G06F18/241 ,  G06F18/25 ,  G06N20/20

Abstract: 本发明提供一种基于半监督联邦学习的多分类器集成训练方法，主要包括：客户端设计分类模型并将得到的个性化本地模型发送至可信中心服务器；中心服务器端收集多方客户端模型形成“模型池”进行有监督训练；多方客户端利用中心服务器发来的“模型池”，对本地数据进行分类；多方客户端利用本地标签数据对模型进行交错训练，并上传至可信中心服务器；中心服务器对“模型池”中的分类器模型进行联邦聚合，并对聚合后的分类器进行微调整，之后发送至多方客户端。本发明基于联邦学习框架，使用少量有标签数据和大量无标签私有数据进行训练，合理使用公开数据资源，融合用户个性化需求，有效保护多方参与用户的隐私信息。

公开(公告)号：CN114742239A

公开(公告)日：2022-07-12

申请号：CN202210225096.6

申请日：2022-03-09

Applicant: 大连理工大学

Inventor： 付海燕 ,  李宇航 ,  李祎 ,  郭艳卿 ,  刘航 ,  王波

IPC: G06N20/20 ,  G06Q40/08 ,  G06F21/60 ,  G06F21/62

Abstract: 本发明提供一种基于联邦学习的金融保险理赔风险模型训练方法及装置，方法包括：中心节点生成同态加密的公钥，并发送给第一参与方P1和第二参与方Pi；第二参与方Pi计算加密聚合参数并发送至第一参与方P1；第一参与方P1计算聚合参数并发送给各第二参与方Pi；第一参与方P1和第二参与方Pi计算各自的参数梯度更新式并发送给中心节点进行解密并回传；第一参与方P1和第二参与方Pi在预先设定的学习率下进行模型参数更新，各参与方根据更新后的模型参数计算新的传播参数；迭代直至达到模型收敛条件。本发明考虑到金融风险评估应该考虑到用户多方面行为的特点，使用多方数据集联合训练模型，从而能够达到更好的模型训练效果。

公开(公告)号：CN112749790A

公开(公告)日：2021-05-04

申请号：CN202110081944.6

申请日：2021-01-21

Applicant: 大连理工大学

Inventor： 刘航 ,  王悦晨 ,  郭艳卿 ,  付海燕 ,  李祎 ,  王波

IPC: G06N3/04 ,  G06N3/08 ,  G06N20/00

Abstract: 本发明公开了一种联邦学习场景下的全连接神经网络模型聚合方法，属于人工智能领域，该方法通过中央服务器向提供独立模型的所有用户下发神经网络的超参数和参数，每个用户根据从中央服务器得到的超参数建立统一的神经网络；每个用户将神经网络的初始值设为从中央服务器得到的参数，并利用各自的数据进行各自的神经网络训练；在各自的神经网络训练结束后，每个用户向中央服务器上传各自的神经网络参数，即用户模型参数；中央服务器收集所有用户模型参数，进行聚合，得到联合模型；中央服务器判定是否达到循环次数；通过逐层逼近由每个客户端模型得到的特征，可得到适合所有用户使用的统一模型；提高了联合模型的全局准确率和泛化能力。

公开(公告)号：CN116245886B

公开(公告)日：2025-05-23

申请号：CN202310116822.5

申请日：2023-02-15

Applicant: 大连理工大学

Inventor： 郭艳卿 ,  李宇航 ,  李祎 ,  刘航 ,  付海燕

IPC: G06T7/10 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/098 ,  G06N20/20

Abstract: 本发明提供一种基于联邦学习与注意力机制的医学图像分割方法，包括：S1、中心服务器将初始全局模型发送至各所述本地服务器；S2、本地服务器基于自有医学图像数据对接收的初始模型进行训练，并将训练后的生成的局部模型参数上传至中心服务器；S3、中心服务器基于各局部模型参数进行模型聚合优化生成全局模型；S4、反复执行步骤S2‑S3，直至全局模型的损失函数值和训练轮数达到预设条件则终止训练；S5、中心服务器将全局模型参数反馈至各本地服务器，基于更新后的局部模型进行医学图像分割。使各方得到学习了所有用户数据集的全局模型，有效提升深度学习模型的泛化能力，提高医学图像的分割精度。

公开(公告)号：CN114742240B

公开(公告)日：2024-09-27

申请号：CN202210226465.3

申请日：2022-03-09

Applicant: 大连理工大学 ,  深圳市洞见智慧科技有限公司

Inventor： 申岩 ,  王湾湾 ,  黄一珉 ,  何浩 ,  刘航 ,  付海燕 ,  郭艳卿

IPC: G06N20/20 ,  G16H10/60 ,  G16H50/20

Abstract: 本发明提供一种横向联邦学习方法、装置及存储介质。其中方法主要包括：中心服务器选择初始联邦学习模型和参数并下发给各个客户端；各客户端分别基于各自本地训练数据同时开始模型训练，进而得到本地的学习模型；各客户端之间采用循环通信方式将本地的学习模型发送至下一个客户端进行训练，所有客户端完成训练后更新循环通信顺序，继续传递模型并训练直至达到设定的训练次数；各客户端将最后训练的模型发送至中心服务器进行聚合，而后使用聚合结果更新联邦学习模型直至损失函数收敛，训练完成。本发明在训练传递模型或者梯度参数时，首先进行环型模型传播，再进行星型传播到服务器，从而构建了一种新的横向联邦学习模型训练架构。

公开(公告)号：CN114742239B

公开(公告)日：2024-09-27

申请号：CN202210225096.6

申请日：2022-03-09

Applicant: 大连理工大学

Inventor： 付海燕 ,  李宇航 ,  李祎 ,  郭艳卿 ,  刘航 ,  王波

IPC: G06N20/20 ,  G06Q40/08 ,  G06F21/60 ,  G06F21/62

Abstract: 本发明提供一种基于联邦学习的金融保险理赔风险模型训练方法及装置，方法包括：中心节点生成同态加密的公钥，并发送给第一参与方P1和第二参与方Pi；第二参与方Pi计算加密聚合参数并发送至第一参与方P1；第一参与方P1计算聚合参数并发送给各第二参与方Pi；第一参与方P1和第二参与方Pi计算各自的参数梯度更新式并发送给中心节点进行解密并回传；第一参与方P1和第二参与方Pi在预先设定的学习率下进行模型参数更新，各参与方根据更新后的模型参数计算新的传播参数；迭代直至达到模型收敛条件。本发明考虑到金融风险评估应该考虑到用户多方面行为的特点，使用多方数据集联合训练模型，从而能够达到更好的模型训练效果。

公开(公告)号：CN114997286B

公开(公告)日：2024-08-02

申请号：CN202210551170.3

申请日：2022-05-18

Applicant: 大连理工大学

Inventor： 杨海旭 ,  付海燕 ,  郭艳卿 ,  刘航 ,  李祎 ,  李卫超

IPC: G06F18/2411 ,  G06F18/214 ,  G06F21/60 ,  G06F21/62 ,  G06N20/10

Abstract: 本发明提供一种基于联邦支持向量机的金融客户分类方法及装置，方法包括以下步骤：由可信的第三方服务端向各金融企业客户端发送统一的客户分类模型，所述客户分类模型为支持向量机模型；各金融企业客户端接收到客户分类模型后，基于自有数据对所述客户分类模型进行训练；可信的第三方服务端对获取的初级训练模型参数和支持向量进行聚合处理，从而生成联邦分类模型参数，将所述联邦分类模型参数反馈至各金融企业客户端；各金融企业客户端将联邦分类模型参数应用于本地客户分类模型，并基于应用联邦分类模型参数的本地客户分类模型对客户数据进行分类。本发明将传统机器学习与联邦学习相结合，在保证用户隐私的前提下，最大程度的挖掘数据的价值。

公开(公告)号：CN117494842A

公开(公告)日：2024-02-02

申请号：CN202311683098.0

申请日：2023-12-08

Applicant: 大连理工大学 ,  深圳市洞见智慧科技有限公司

Inventor： 张茂祯 ,  王波 ,  王湾湾 ,  付海燕

IPC: G06N20/00 ,  G06F18/232 ,  G06F18/22 ,  G06F21/64 ,  G06F21/62

Abstract: 本发明提供一种具有可信锚点客户端的鲁棒性聚类联邦学习方法，包括：可信客户端与服务器协商密钥，获取共享密钥；服务器使用共享密钥从可信模型中移除掩码，并将其聚合以获得可信聚集模型；将可信聚集模型作为锚模型，对具有未知属性的模型执行特征提取，计算多个聚类特征，并应用HDBSCAN聚类；对多个聚类模型进行聚合，考虑不同聚类聚合模型的平均范数和不同聚类间的更新偏离角，计算可信度因子；在每次迭代中，选择信任度最高的簇，并设置容差阈值，信任因子在阈值范围内的群集被添加到聚合列表，阈值范围之外的群集被认为包含恶意更新。本发明能够实现由不同服务提供商提供的锚点模型来检测未知模型，保证多服务商联合训练中获得无污染的全局模型。

公开(公告)号：CN116246220A

公开(公告)日：2023-06-09

申请号：CN202310130346.2

申请日：2023-02-17

Applicant: 大连理工大学

Inventor： 郭艳卿 ,  于美华 ,  付海燕 ,  李祎 ,  刘航

IPC: G06V20/52 ,  G06V40/10 ,  G06F21/62 ,  G06F18/214

Abstract: 本发明提供一种基于哈希模型的联邦图像检索方法，包括：服务器端将初始哈希模型发送给各选中的客户端；客户端从本地数据库读取训练数据进行模型更新，将更新后的哈希模型发回所述服务器端；所述服务器端对所述客户端发回的哈希模型进行聚合得到新一轮的全局哈希模型；服务器端将本轮全局哈希模型发送给各选中的客户端；客户端根据设定的batch大小和本地训练轮数使接收到的全局模型和上一轮的本地模型进行相互学习，将更新后的全局模型发送到所述服务器端；反复迭代直至达到终止条件即迭代终止；各客户端根据训练后的本地模型进行图像检索，获取检索结果。本发明将横向联邦学习技术结合图像哈希应用至图像检索，能够快速提高图像检索精度。