-
公开(公告)号：CN116470920A
公开(公告)日：2023-07-21
申请号：CN202310423325.X
申请日：2023-04-19
申请人： 北京交通大学
摘要： 本发明提供了一种面向联邦学习的双向自适应梯度压缩方法及系统。该方法包括：服务器自适应确定本轮训练的量化位宽和压缩率，向各个客户端传输梯度或模型参数；客户端根据相关参数计算本轮梯度并压缩，预测下一轮训练的收敛速度，将压缩梯度和收敛速度预测值上传给服务器；服务器对各客户端的压缩梯度进行解压、聚合和再压缩处理，根据各个客户端上传的收敛速度预测值计算全局收敛速度预测值，更新全局模型和发送队列。本发明的方法通过自适应梯度压缩率和量化位宽，在保证模型精度的同时提升通信效率；设计稀疏化和量化中的编码方式以及新颖的双向梯度压缩策略，降低通信开销，提高每轮可参与的客户端数量，缓解在大规模联邦学习中的带宽瓶颈。
-
公开(公告)号：CN116522184A
公开(公告)日：2023-08-01
申请号：CN202310321473.0
申请日：2023-03-29
申请人： 北京交通大学
IPC分类号： G06F18/2337 , G06F18/214 , G06N20/00 , H04L65/1066
摘要： 本发明提供一种基于数据分布相似性模糊聚类的联邦学习方法及系统，属于联邦学习技术领域，广播所有集群模型；计算在各个集群模型的损失值，根据损失值，选择N个集群作为客户的关联集群，并且评估集群的重要性，其中N值为根据集群数量和客户数量事先确定好的一个参数；初始化客户端模型，进行本地训练；根据客户样本量和客户与集群的关联程度更新集群模型聚合权重，得到更新之后的集群模型。本发明通过将一个用户关联到多个集群，有效改善了由于多种数据混合分布的问题，可以让网络模型更好的收敛和泛化，并且拥有更优异的个性化能力。
-
公开(公告)号：CN115906163A
公开(公告)日：2023-04-04
申请号：CN202211463214.3
申请日：2022-11-22
申请人： 北京交通大学
IPC分类号： G06F21/62
摘要： 本发明提供一种基于边扰动的图数据隐私保护方法及系统，属于数据隐私保护技术领域，获取待匿名的原始图；利用训练好的图嵌入模型对待匿名的原始图进行处理，得到邻接强度矩阵；根据原始图的度序列与匿名度序列的差值，结合邻接强度矩阵对原始图进行边扰动，得到最终的匿名图；其中，根据原始图的度序列生成符合匿名要求且与原图度序列差异总和最小的度序列为匿名度序列。本发明利用束搜索和匿名组，使得生成k匿名度序列时，降低了算法复杂度，更快生成相应的k匿名度序列；获得分配矩阵、提取了原图的结构特征信息；基于邻接强度矩阵和匿名前后的度序列差值的边扰动方法，最大程度保留了原图结构信息，有效解决数据可用性与隐私保护之间的平衡问题。
-
公开(公告)号：CN115880542A
公开(公告)日：2023-03-31
申请号：CN202211500734.7
申请日：2022-11-28
申请人： 北京交通大学
IPC分类号： G06V10/774 , G06V10/778 , G06N3/006
摘要： 本发明提供了一种基于局部扰动的时间序列预测对抗攻击方法。该方法包括：对原始样本进行BIM梯度攻击，得到全局攻击样本；利用滑动窗口截取原始样本的局部区间，根据差分进化算法对此段区间进行攻击，利用分段函数、BIM全局攻击样本和原始样本将个体转化为时间序列计算适应度，选择更好的个体输入到目标模型中进行预测值的均方误差MSE计算，算法不断迭代直至MSE值收敛。如果收敛，则将攻击成功的局部攻击样本添加到对抗样本序列。本发明缩小对抗样本的扰动范围，使用差分进化算法寻找最优攻击点位，并结合分段函数分割扰动区间，进一步缩小扰动范围，完成半白盒攻击。
-
-
-
搜索结果
4 条记录 (耗时 0.019 秒)