基于纵向联邦学习的通信成本优化方法、系统、设备及介质

    公开(公告)号:CN115481415A

    公开(公告)日:2022-12-16

    申请号:CN202211008707.8

    申请日:2022-08-22

    Abstract: 本发明公开了一种基于纵向联邦学习的通信成本优化方法、系统、设备及介质,方法包括获取各参与方共同样本ID,确定各参与方需要参与训练的具有相同样本ID的数据集合;对所有参与训练的样本进行聚类,得到不同的分组,计算每个样本损失函数的导数,对聚类分组后的每组样本分别计算其导数和,并加密,将密文和每组的样本发送给无标签参与方;根据接收到的信息计算每个样本的近似导数,然后计算增益将其结果发给有标签参与方;由接收到信息选取最大增益值处作为最佳分裂点,如果分裂点所属无标签参与方,则将其最佳分裂点的信息发送回无标签参与方。既保证双方传输信息的隐私安全,又显著降低通信数据量的传输,同时保证了所传输的信息具有有效性。

    具有本地隐私保护的自适应异步联邦学习方法

    公开(公告)号:CN112818394A

    公开(公告)日:2021-05-18

    申请号:CN202110128810.5

    申请日:2021-01-29

    Abstract: 本发明公开了一种具有本地隐私保护的自适应异步联邦学习方法,中心服务器初始化全局模型并将全局模型参量、梯度裁剪标准、噪声机制、噪声方差广播给所有参与用户,每个用户先利用从本地数据中抽取的样本训练全局模型并对梯度逐个进行裁剪、扰动,之后将扰动的梯度发送至中心服务器,中心服务器从缓冲队列中选取前K个扰动梯度进行平均聚合,并将平均后的梯度代入随机梯度下降公式更新全局模型参量,同时根据预设阶段迭代次数自适应地调节梯度裁剪标准、噪声方差、学习率,之后中心服务器将更新后的全局模型参量、梯度裁剪标准、噪声方差广播给上一回合参与更新的K个用户,本地用户和中心服务器重复上述操作直至全局迭代次数达到给定标准。

    一种基于联邦迁移学习的检测方法、系统、设备及介质

    公开(公告)号:CN115470703A

    公开(公告)日:2022-12-13

    申请号:CN202211128866.1

    申请日:2022-09-16

    Abstract: 本发明公开了一种基于联邦迁移学习的检测方法、系统、设备及介质,基于追踪加速的安全作业视频实时检测模型作为基础模型,在数据不出作业现场本地的前提下,通过冻结批归一化层参数和共享其他层参数的联邦迁移技术为带标签的源域电力公司的作业现场提供实时精准的个性化安全作业检测。通过基于源域全局模型的初始模型选择、基于联邦域对抗网络的伪标签预测和模型自训练为不带标签的目标域电力公司的作业现场提供实时精准的安全作业视频实时检测。本发明表现出良好的收敛速度和稳定性,满足不同源域电力公司个性化需求,同时保持了较好的检测精度和速度。与常用域自适应算法相比,本发明具有最佳精度和最低延迟,显著提升了域自适应能力。

Patent Agency Ranking