-
公开(公告)号：CN101930561A
公开(公告)日：2010-12-29
申请号：CN201010179995.4
申请日：2010-05-21
申请人： 电子科技大学
摘要： 本发明涉及文本处理技术领域，是一种基于N-Gram分词模型的反向神经网络垃圾邮件过滤装置。利用N-Gram技术对邮件分词加上自定义词语特征项并结合反向神经网络实现对垃圾邮件的判断和过滤。所述装置包括：首先，利用Markov链和N-Gram技术处理邮件，提取出邮件样本特征，经过权重计算和特征选择得到样本邮件词语-文档空间；其次，用自定义的词语特征项匹配邮件样本，生成自定义特征-文档空间，将两种方法生成的文档特征合并生成新的邮件向量空间；再次，构造反向神经网络模型，根据邮件训练样本空间的特征项生成与网络神经元对应的特征向量，并用邮件训练样本向量空间训练网络模型，得到训练好的邮件分类器；最后，邮件测试样本根据上面生成的神经元对应特征向量生成测试样本向量空间，并测试训练好的邮件分类器对邮件类别判断的准确率。使用本发明提供的实施例可以对垃圾邮件进行判断，从而过滤垃圾邮件。
-
公开(公告)号：CN115712467B
公开(公告)日：2024-10-01
申请号：CN202211452770.0
申请日：2022-11-21
IPC分类号： G06F9/445 , G06F9/48 , G06F16/215 , G06F21/64 , G06N3/0442 , G06N3/08
摘要： 本发明涉及边缘计算领域，特别是涉及一种边缘计算PLD任务卸载方法、装置及存储介质。目的在于解决上述现有技术存在的缺点会影响任务卸载策略的效率，在数据量较大时往往存在较大的误差与资源消耗，为系统带来较大负担的问题。主要方案包括获取集群中系统整体的历史任务卸载情况数据，并对数据进行清洗；构建PLD模型所需的三大空间，采用LSTM模型与DQN模型构建PLD模型，并将清洗后的历史数据通过三大空间输入到PLD模型中完成预测模型训练；将即将到来的任务数据输入训练好的PLD模型，得到集群系统对每个任务的任务卸载策略。
-
公开(公告)号：CN118300869A
公开(公告)日：2024-07-05
申请号：CN202410482565.1
申请日：2024-04-22
摘要： 本发明公开了一种基于边缘计算的普适智能联邦学习隐私保护方法，该方法设计了一种轻量级的掩码添加方案，嵌入式设备完成部分模型训练后，将掩码添加到模型中并传输到边缘服务器，保证了模型的完整性和准确性，实现了比FedAvg更高的训练效率。此外，在边缘服务器中使用自适应差分隐私方案，边缘服务器通过多轮训练中的多次迭代获取局部梯度。它使用剪裁阈值和先前的梯度进行自适应剪裁，既减少了传输量，又减少了噪声引起的误差。接着在云端聚合后添加高斯噪声，云端使用剪裁阈值调整噪声的方差，并根据每个边缘服务器的权重值计算参数变化值，以确保在模型参数尽可能准确的情况下保护反馈的隐私。
-
公开(公告)号：CN118297139A
公开(公告)日：2024-07-05
申请号：CN202410482562.8
申请日：2024-04-22
IPC分类号： G06N3/098 , G06N3/084 , G06N3/096 , G06N3/045 , G06N3/0464 , G06N3/0495 , H04L9/40 , H04L67/10 , H04L12/18
摘要： 本发明公开了一种基于边缘场景下的可信异构联合学习方法，主要解决现有不同的终端设备只能携带相应大小的模型，且数据集有限，显著影响了模型的精度的问题。该方法首先建立一个基于FL的异质性多模型训练架构，它连接了分散的医疗终端设备来训练一个精确的诊断模型，设计了一种具有不同组合的多模型协同训练方法，整合了其他异构模型的知识，以提高模型的精度。最后，添加一个轻量级的迭代掩码，以确保中间信息的隐私性和可靠性。
-
公开(公告)号：CN117236698A
公开(公告)日：2023-12-15
申请号：CN202311350736.7
申请日：2023-10-18
申请人： 电子科技大学
IPC分类号： G06Q10/0635 , G06Q10/0639 , G06F18/243 , G06F18/25 , G06N3/042 , G06Q40/06
摘要： 本发明公开了一种基于图神经网络的产业链风险评估模型和方法，包括异质图构建模块、公司图生成模块、节点风险评估模块和产业链风险评估模块，其中异质图构建模块用于构建产业链异质图，将产业链风险评估转化为图及图中节点的风险评估问题，实现了对风险传递关系的刻画；公司图生成模块基于上下游供应、竞争和公司投融资关系，对公司节点之间的多种关系进行高效学习，构建了基于多种关联关系的产业链公司节点关联组图，节点风险评估模块基于邻域采样和注意力机制实现了节点级的风险评估，产业链风险评估模块依据节点风险状况与节点的位置特征对产业链进行了高效的风险评估。本发明实现了对产业链风险问题的高效转化和准确评估。
-
公开(公告)号：CN116910653A
公开(公告)日：2023-10-20
申请号：CN202310895637.0
申请日：2023-07-20
申请人： 电子科技大学
IPC分类号： G06F18/241 , G06F18/214 , G06N20/20 , G06N3/0895 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种适于精准分类的联邦半监督学习方法，包括获取边缘服务器下发的经过预训练的全局模型并更新本地模型；利用更新后的本地模型对自身的无标签数据预测处理获得多个伪标签，然后使用这些伪标签和无标签数据对更新后的本地模型进行宽容监督训练；然后利用自身的有标签数据对宽容监督训练后的本地模型进行严格纠正训练，获得训练后的节点模型；将训练后的节点模型参数上传至边缘服务器ES使其聚合形成全局模型，进行下一轮迭代更新。本发明在边缘计算场景下将半监督学习与联邦学习相结合，利用无标签数据使模型充分学习到无标签数据蕴含的知识，并采用有标签数据对模型进行监督训练以纠正模型参数，从整体上提高了模型分类的准确率。
-
公开(公告)号：CN116361639A
公开(公告)日：2023-06-30
申请号：CN202211657566.2
申请日：2022-12-22
申请人： 电子科技大学
IPC分类号： G06F18/214 , G06N20/00
摘要： 本发明公开了一种适用于人工智能物联网异构系统的自适应联邦学习方法，包括：(1)终端设备进行本地模型训练；(2)边缘服务器收集终端设备能够实际负载的工作量，以及将收集的模型参数进行局部聚合；同时边缘服务器预测终端设备未来可以承受的工作量，并按照训练价值高低选出终端设备继续参与下一轮训练；(3)边缘服务器将局部聚合模型和预测的工作量发送给选择的终端设备；同时，边缘服务器还将局部聚合模型参数发送至云服务器；(4)云服务器将收集的局部聚合模型参数进行全局聚合，获得全局聚合模型，然后返回至边缘服务器。本发明解决了AIoT应用中因系统异构性和统计异构性导致出现掉队者从而引起收敛速度减慢、模型精度降低的问题。
-
公开(公告)号：CN110414719B
公开(公告)日：2023-02-21
申请号：CN201910604965.4
申请日：2019-07-05
申请人： 电子科技大学
IPC分类号： G06Q10/04 , G06Q50/26 , G06F18/2431 , G06F18/25 , G06F18/27 , G06N3/006 , G08G1/01 , G06F123/02
摘要： 本发明涉及一种基于多变量灰色模型时间序列的车流量预测方法，所述方法包括以下内容：输入采集的观测站车流量和相关外部变量数据以及观测站信息数据；对输入的数据进行数据预处理；将进行数据预处理后的数据输入到基于数据分解的多变量时间序列融合预测模型和基于结果加权的多变量时间序列融合预测模型中进行预测；将预测值与实际值进行对比，输出最终结果。通过多种多变量时间序列预测模型的融合对高速公路的车流量进行预测，提高了预测精度，通过对交通领域中高速公路上的应用实现，可以帮助交通管理部门提高智能化管理水平，降低运营成本；通过应用演示系统的展示，可以直观为管理人员提供数据支撑，以便及时做出相应的决策并予以实施。
-
公开(公告)号：CN115526342A
公开(公告)日：2022-12-27
申请号：CN202211061458.9
申请日：2022-08-31
申请人： 电子科技大学
摘要： 本发明公开了一种边缘网络中的分组集成蒸馏联邦学习方法，涉及机器学习技术领域，包括：对确定的Client设备进行分组，每组包括一个Leader设备和若干attender设备；对于每一组Client设备，均对全局模型进行N轮集成蒸馏联邦训练；每组Client设备中的Leader设备将训练得到的全局模型参数返回给边缘服务器；边缘服务器对接收到的所有全局模型参数进行聚合处理，之后进行测试，若得到的联邦学习Loss数据收敛，则联邦学习结束，否则将聚合处理后的全局模型参数下发给Leader设备，Leader设备据此更新本地最近训练过的全局模型。本发明通过对具有不同的计算资源的端设备设置不同的模型训练，然后使用集成蒸馏的方法来进行知识迁移，提高了模型的准确率，同时避免了服务器进行复杂的模型训练。
-
公开(公告)号：CN115017541A
公开(公告)日：2022-09-06
申请号：CN202210634337.2
申请日：2022-06-06
申请人： 电子科技大学
摘要： 本发明公开了一种云边端协同的泛在智能联邦学习隐私保护系统及方法，系统上包括终端设备、参数服务器、边缘服务器、中心云服务器；方法上包括：S1、设置基于掩码的终端训练输出保护机制；S2、添加局部模型的自适应差分扰动；S3、全局模型聚合和添加自适应差分扰动。本发明提出了一种轻量级的隐私保护方案，在终端设备进行部分模型训练并添加矩阵掩码，保证在终端与边缘服务器之间安全传输；此外，在边缘服务器进行剩余模型训练并添加差分扰动；在云端进行聚合后添加噪声再反馈给边缘服务器。实验结果表明，该方案在保证隐私的前提上在CIFAR10数据集上能达到86％的准确率，能够很好地满足泛在智能的需求，因此，本发明非常适合大规模推广应用。
-
-
-
-
-
-
-
-
-
搜索结果
91 条记录 (耗时 0.054 秒)
