公开(公告)号：CN118036651A

公开(公告)日：2024-05-14

申请号：CN202410154699.0

申请日：2024-02-04

申请人： 西安电子科技大学

发明人： 公茂果 ,  崔航玮 ,  王善峰 ,  高原 ,  张元侨 ,  范晓龙 ,  潘珂

IPC分类号： G06N3/042 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/098 ,  G06N3/082 ,  G06F21/62

摘要： 本发明提供了一种本发明提供的基于图神经网络的纵向联邦学习方法和系统，通过各数据持有者响应于所获取到的数据分布情况，对本地图数据执行预处理操作，得到预处理后的图数据，图数据包括节点ID、节点标签、节点特征和边信息中的一种或者多种；各数据持有者根据数据分布情况构建局部模型，并基于预设的联邦学习规则，采用相应的预处理后的图数据对本地的局部模型进行训练，以训练得到目标模型，能够在不依赖第三方服务器的情况下进行模型训练，解决了图数据的数据孤岛问题，本发明还讨论并建模了数据持有者两方分别持有特征和边的情况，使用纵向联邦学习、GNN图神经网络、差分隐私首次对数据持有者无法单独建模的情况提出解决方案。

公开(公告)号：CN117675270A

公开(公告)日：2024-03-08

申请号：CN202311364487.7

申请日：2023-10-19

申请人： 西安电子科技大学

发明人： 潘珂 ,  张元侨 ,  公茂果 ,  李晖 ,  王善峰

IPC分类号： H04L9/40 ,  H04L41/16 ,  G06N20/20

摘要： 本发明提供了一种面向纵向联邦学习的多模态数据加密传输方法及系统，本发明结合多模态机器学习算法和纵向联邦学习架构，在保证本地数据可用不可见的前提下，构建每个参与方的局部模型学习不同模态的数据特征，提高模型的准确性和鲁棒性；利用二元泰勒级数展开解决同态加密算法无法针对涉及指数和对数运算的单项式加密的问题，无需依赖第三方协作者即可确保局部模型参数的机密性，且无需担心未经授权的原始数据访问，实现了通信过程中局部模型参数的无损加密，且对所有传输数据均加密。因此本发明可以实现实时数据的精确无损处理。

公开(公告)号：CN114327859B

公开(公告)日：2024-06-07

申请号：CN202111370262.3

申请日：2021-11-18

申请人： 西安电子科技大学

发明人： 李豪 ,  李得众 ,  潘珂 ,  公茂果 ,  刘洁怡 ,  王依新 ,  张明阳 ,  武越 ,  蒋祥明

IPC分类号： G06F9/50 ,  G06F18/23213

摘要： 本发明公开了一种云计算环境大规模问题代理优化的源模型聚类选择方法，应用于云端，包括：获取客户端的多目标优化问题；创建输入矩阵，获取若干个相关源模型；得到源模型输出矩阵，构造源模型特征集；将若干个相关源模型聚类得到目标数量个初选源模型；将多目标优化问题聚合成单目标优化问题对应的真实函数，利用其评价输入矩阵得到目标输出矩阵；进行模型训练得到一个初始目标模型；构建最终代理模型；对最终代理模型寻优得到最优输出；判断是否满足迭代终止条件；若否改变聚合多目标优化问题的权重向量并返回S5；若是得到帕累托前沿面返回客户端。本发明能够为客户端提供合理可靠的选择依据和方案，保证多样性、提升优化结果的精度和准确度。

公开(公告)号：CN117454173A

公开(公告)日：2024-01-26

申请号：CN202311414195.X

申请日：2023-10-27

申请人： 西安电子科技大学

发明人： 潘珂 ,  公茂果 ,  李晖 ,  王善峰

IPC分类号： G06F18/214 ,  G06F18/2113 ,  G06F18/2136 ,  G06F21/62 ,  G06N3/045 ,  G06N3/08

摘要： 本发明提供了一种基于稀疏向量技术的隐私数据蒸馏方法及装置，通过构建模型池，在迭代过程中通过从模型池中随机挑选训练模型进行数据蒸馏，以从隐私数据中蒸馏出更加丰富的信息，提高合成数据质量，并增强蒸馏数据在下游任务中的泛化能力。然后利用类间和类内算法优化真实数据和合成数据特征分布之间的损失，进一步提升合成数据的质量。此外，本发明基于逐层相关性传播算法计算每个隐私数据的输入特征对神经网络模型输出结果的贡献度，依据贡献度的高低，识别重要输入特征。然后基于稀疏向量技术有选择地扰动部分对模型输出结果贡献度大的输入特征，在保护原始真实数据中蕴含的敏感信息的同时，以较低的隐私开销提升数据蒸馏模型的准确性。

公开(公告)号：CN114549966B

公开(公告)日：2024-10-15

申请号：CN202210011083.9

申请日：2022-01-05

申请人： 西安电子科技大学

发明人： 李豪 ,  郑宇 ,  潘珂 ,  公茂果 ,  刘洁怡 ,  蒋祥明 ,  唐泽栋 ,  张明阳 ,  武越

IPC分类号： G06V20/10 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/086

摘要： 本发明公开了一种基于多任务子网络分解的SAR变化检测网络训练方法，包括：获取SAR图像样本集，获取预设卷积神经网络并对目标参数初始化；用SGD随机梯度下降法迭代训练；当训练效果不明显时，利用得到的多组全网目标参数得到父代种群；全网目标参数优化定为主任务，全网络按层分解得到子网络的优化定为辅任务，选择一个辅任务配合主任务，基于种群遗传方式迭代训练，若多次迭代后辅任务遍历完成，保留得到的一组最优的全网目标参数，返回SGD随机梯度下降法；在训练结束时获得最优全网目标参数代入预设卷积神经网络得到训练完成的SAR图像变化检测网络。本发明能加快网络收敛，避免陷入局部最优，缓解梯度消失和梯度爆炸现象。