-
公开(公告)号：CN118940820A
公开(公告)日：2024-11-12
申请号：CN202410992192.2
申请日：2024-07-23
Applicant: 广西电网有限责任公司 , 西安交通大学
Abstract: 本发明基于维度选择与压缩恢复的差分隐私在线联邦学习方法，其使用维度选择的方法解决在线联邦学习中差分隐私机制的效用性问题。本发明通过引入本地梯度缓冲池累计本地模型的梯度，使用基于指数机制的维度选择算法，划分一部分隐私预算用于估计top‑k维度的真实值，从而在中心服务器端更有效地对被采样的本地模型变化量进行恢复，得到更加准确的全局模型变化量。本发明提升了一定差分隐私保证下的在线联邦学习的效用性。
-
公开(公告)号：CN118945063A
公开(公告)日：2024-11-12
申请号：CN202410992196.0
申请日：2024-07-23
Applicant: 广西电网有限责任公司 , 西安交通大学
IPC: H04L41/14 , H04L41/16 , G06N3/0495 , G06N3/098 , G06N3/084
Abstract: 本发明公开了一种基于自适应TopK的通信联邦学习方法及系统，该方法实现了基于改进UCB算法的自适应模型压缩率的选择，在上行通信时上传自适应压缩模型以降低通信量。通过耦合模型损失变化信息和通信量信息的方式设计奖励，实现模型精度与通信压缩的权衡，即保证模型精度尽量不受到模型压缩的影响。除此外，在自适应算法中设计跳过机制，能在模型效用稳定时进一步压缩通信，降低通信开销。该系统包括参数初始化模块、训练模型模块、压缩模型模块、保留残差模块、模型聚合模块和自适应k值计算模块。本发明可用于面向海量跨域数据的高性能联邦学习联合建模。
-
公开(公告)号：CN111181773B
公开(公告)日：2021-09-07
申请号：CN201911282101.1
申请日：2019-12-13
Applicant: 西安交通大学
Abstract: 本发明公开了面向异构边云协同智能系统的多组件应用的延迟预测方法，本发明提供了一种延迟敏感的多跳应用如何精确刻画每个组件的延迟和精确建模问题一个高可用的解决方案，选择延迟敏感的不同应用，基于对不同的应用刻划不同的流程，对数据集选取不同的机器学习方法和/或深度学习算法进行训练，并搭建基于容器的测试平台，生成边云协同的放置方案，将获取的数据放入数据库中，进行特征提取和预处理生成新的数据集，在延迟预测算法中进行训练，最终得到组件延迟的预测样本。给多条应用的延迟精确刻画提供了一个可靠的方案。
-
公开(公告)号：CN109543842A
公开(公告)日：2019-03-29
申请号：CN201811301714.0
申请日：2018-11-02
Applicant: 西安交通大学
Abstract: 本发明公开了一种具有本地隐私保护的多维群智感知数据的概率分布估计方法，解决了多维数据进行分布估计时的效用性和效率问题。每个用户先在本地端对数据进行扰动再将扰动后的数据发送至中心服务器，中心服务器接收所有用户发送的数据后，对具有本地隐私保护的多维数据应用Lasso回归消除冗余的候选状态，并且将基于Lasso回归的解最为快速的初值代入期望最大化估计算法，然后应用期望最大化估计算法的收敛性对初值进行迭代以快速得到跟准确的概率分布估计值。
-
公开(公告)号：CN109450889A
公开(公告)日：2019-03-08
申请号：CN201811301095.5
申请日：2018-11-02
Applicant: 西安交通大学
Abstract: 本发明公开了一种物联网中汇聚数据流的隐私保护发布方法。本发明首先基于维度划分的结果对数据流添加拉普拉斯噪声进行隐私保护，然后基于自适应更新的系统阈值来进行数据流动态分组，最后根据噪声数据和动态分组结果进行噪声平滑处理，得到可直接发布的具有隐私保护的数据流，相比一般的隐私保护方法，本发明通过学习多维数据流的维度相关性和时间相关性来提升发布数据的效用性，并且基于反馈误差设计了自适应的阈值更新策略和动态分组策略，保证了本发明在实际中实用性。本发明实现了多维数据流的自适应实时发布，整个过程简单、易于实现，无需复杂的加密解密运算，具有较低的计算开销，使用价值高。
-
Patent Agency Ranking
公开(公告)号：CN105553656A
公开(公告)日：2016-05-04
申请号：CN201610004785.9
申请日：2016-01-06
Applicant: 西安交通大学
Abstract: 本发明公开了一种智能电网中同时支持负载监测和用户计费的隐私保护方法。本发明提出的方法利用差额补偿的思想，对智能电表用电数据进行缩放扰动，实现了对智能电网中用户用电隐私保护，相比一般的隐私保护方法，本发明在保证更高程度用电隐私的同时，提供更高的数据效用性。本发明在实现的过程中，开销只限制在聚合数据时的求和计算开销，无需复杂运算或加密解密，极大降低了智能电网的负载。在大型智能电网中，本发明简单、易于实现，可扩展性强，实用价值高。
-
公开(公告)号：CN119622259A
公开(公告)日：2025-03-14
申请号：CN202411729002.4
申请日：2024-11-28
Applicant: 西安交通大学
Abstract: 本发明一种数据流本地差分隐私算法的鲁棒性评估方法及系统，该方法通过每一时间戳上的算法发布频率分布与算法鲁棒性评估目标分布的接近距离来判断算法的鲁棒性。该方法采用分支判断机制，能够在每一时间戳上自适应地判断数据流本地差分隐私算法进入何种策略能够使得算法的鲁棒性评估得到更优的评估效果。基于该分支判断机制的判断，该方法通过影响数据流本地差分隐私算法的不相似度计算模块使得该隐私算法能够进入评估方期望的策略的方法，分为输入评估与输出评估两种。若数据流本地差分隐私算法进入发布策略，该方法提供了针对发布策略中的频率统计本地差分隐私算法的细粒度算法鲁棒性评估方法，该方法同样分为输入评估与输出评估两种。
-
公开(公告)号：CN109508559B
公开(公告)日：2020-10-27
申请号：CN201811301086.6
申请日：2018-11-02
Applicant: 西安交通大学
Abstract: 本发明公开了一种智能感知系统中基于连接函数的多维数据本地隐私保护方法。本发明提出的方法首先基于本地隐私转换的方法，对参与用户的感知数据在用户端进行本地隐私保护，然后基于连接函数对隐私保护后数据进行采样和合成，最终得到可直接发布的具有本地隐私保护的数据集，相比一般的隐私保护方法，本发明不但能够在用户端提供本地差分隐私保护，并且通过降低多维感知数据值域空间来提高发布数据效用性。本发明在实现的过程中，实现了多维数据的降维处理，开销只限制在本地转换和二维概率分布估计的部分，无需复杂运算或加密解密。在群智感知系统中，本发明简单、易于实现，可扩展性强，实用价值高。
-
公开(公告)号：CN110968426A
公开(公告)日：2020-04-07
申请号：CN201911203557.4
申请日：2019-11-29
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于在线学习的边云协同k均值聚类的模型优化方法，属于边缘计算/机器学习技术领域。提出了一种新的“Learning to Learn”的框架，用于在具有资源约束的边缘服务器上进行有效的边云协同K-means学习。各个边缘服务器同时从云服务器读取当前时刻的全局聚类簇中心至本地服务器，从本地数据集中随机抽取一个小批量数据并在此批上进行K-means的迭代训练，随后将局部聚类簇中心上传至云服务器完成全局参数的更新。将云服务器的协同策略的动态确定建模为在线优化问题，并设计了基于预算受限的固定资源消耗的MAB模型的在线学习算法。同时支持同步的学习模式，可用于非监督学习任务。有效地利用边缘处有限的计算和通信资源以获取最佳的分布式K-means聚类算法性能。
-
公开(公告)号：CN109508559A
公开(公告)日：2019-03-22
申请号：CN201811301086.6
申请日：2018-11-02
Applicant: 西安交通大学
Abstract: 本发明公开了一种智能感知系统中基于连接函数的多维数据本地隐私保护方法。本发明提出的方法首先基于本地隐私转换的方法，对参与用户的感知数据在用户端进行本地隐私保护，然后基于连接函数对隐私保护后数据进行采样和合成，最终得到可直接发布的具有本地隐私保护的数据集，相比一般的隐私保护方法，本发明不但能够在用户端提供本地差分隐私保护，并且通过降低多维感知数据值域空间来提高发布数据效用性。本发明在实现的过程中，实现了多维数据的降维处理，开销只限制在本地转换和二维概率分布估计的部分，无需复杂运算或加密解密。在群智感知系统中，本发明简单、易于实现，可扩展性强，实用价值高。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.048 seconds)
