-
公开(公告)号：CN115937607A
公开(公告)日：2023-04-07
申请号：CN202211725818.0
申请日：2022-12-30
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V10/764 , G06V10/82
Abstract: 本申请实施例提供了一种图像处理方法及相关设备，可以生成对抗样本并用于攻击多标签分类模型。本申请实施例方法包括：获取原始图像样本；其中，任一原始图像样本为多标签分类模型识别出的具有多个不同图像标签的图像样本；将原始图像样本输入初始对抗样本生成算法，以获取初始对抗样本；基于差分进化算法对初始对抗样本添加扰动，以生成种群中目标个体的目标适应度值及与所述目标适应度值对应的中间对抗样本，并确定目标适应度值是否满足第一预设样本阈值；若是，确定所述中间对抗样本为目标对抗样本，并输出所述目标对抗样本，以使得对于多标签分类模型的攻击成功；其中，目标对抗样本为多标签分类模型识别出的具有目标图像标签的图像样本。
-
公开(公告)号：CN115810131A
公开(公告)日：2023-03-17
申请号：CN202211689303.X
申请日：2022-12-27
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06V10/26 , G06T11/00 , G06N3/0475 , G06N3/094
Abstract: 本申请实施例公开了一种模型逆向攻击方法、模型逆向攻击设备以及计算机可读存储介质，用于在提高生成的目标攻击图像与目标隐私图像的相似度的情况下，进行模型逆向攻击。本申请实施例方法包括：对获得的目标空间向量进行预设规则处理，将得到的处理后的目标空间向量输入预先训练的合成网络，得到合成网络输出的攻击图像，将攻击图像输入目标分类器，得到目标分类器输出的攻击图像的目标类的概率值，根据攻击图像的目标类的概率值对处理后的目标空间向量进行优化，以使将得到的优化后的目标空间向量输入合成网络，得到合成网络输出的优化后的攻击图像。
-
公开(公告)号：CN116306986A
公开(公告)日：2023-06-23
申请号：CN202211569899.X
申请日：2022-12-08
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N20/20
Abstract: 本发明公开一种基于动态亲和力聚合的联邦学习方法及相关设备，所述方法包括：服务器端发送初始化模型至所有客户端；客户端利用预存的本地数据对初始化模型进行模型训练，得到经过训练后的模型参数后；服务器端根据类别数量组成数据分布向量后，计算所有客户端之间的亲和力值；服务器端根据经过训练后的模型参数和亲和力值生成每个客户端在本轮中的个性化全局模型；客户端在每轮通信上结合个性化全局模型更新经过训练后的模型参数，直至服务器端执行完所有的通信轮次。通过服务器端根据经过训练后的模型参数和所有客户端之间的亲和力值，生成每个客户端的个性化全局模型，以便客户端进行更新训练后的模型参数，从而有效地提升联邦学习的模型性能。
-
公开(公告)号：CN116306986B
公开(公告)日：2024-01-12
申请号：CN202211569899.X
申请日：2022-12-08
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N20/20
Abstract: 本发明公开一种基于动态亲和力聚合的联邦学习方法及相关设备，所述方法包括：服务器端发送初始化模型至所有客户端；客户端利用预存的本地数据对初始化模型进行模型训练，得到经过训练后的模型参数后；服务器端根据类别数量组成数据分布向量后，计算所有客户端之间的亲和力值；服务器端根据经过训练后的模型参数和亲和力值生成每个客户端在本轮中的个性化全局模型；客户端在每轮通信上结合个性化全局模型更新经过训练后的模型参数，直至服务器端执行完所有的通信轮次。通过服务器端根据经过训练后的模型参数和所有客户端之间的亲和力值，生成每个客户端的个性化全局模型，以便客户端进行更新训练后的模型参数，从而有效地提(56)对比文件应作斌等.动态聚合权重的隐私保护联邦学习框架《.网络与信息安全学报》.2022,第8卷(第5期),56-65.陈飞扬等.FCAT-FL:基于Non-IID数据的高效联邦学习算法《.南京邮电大学学报(自然科学版)》.2022,第42卷(第3期),90-99.Zhiyuan Zhao等.A Dynamic ReweightingStrategy For Fair Federated Learning.《2022 IEEE International Conference onAcoustics, Speech and Signal Processing》.2022,8772-8776.You Jun Kim等.Blockchain-based Node-aware Dynamic Weighting Methods forImproving Federated Learning Performance.《2019 20th Asia-Pacific NetworkOperations and Management Symposium》.2019,1-4.
-
-
-
Search Results
44
records
(took 0.026 seconds)
