CN112383440A - 云端模型准确性提高方法、装置、电子设备及存储介质 - Google Patents
云端模型准确性提高方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112383440A CN112383440A CN202011376803.9A CN202011376803A CN112383440A CN 112383440 A CN112383440 A CN 112383440A CN 202011376803 A CN202011376803 A CN 202011376803A CN 112383440 A CN112383440 A CN 112383440A
- Authority
- CN
- China
- Prior art keywords
- gradient information
- terminal device
- cloud
- cloud server
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/54—Presence management, e.g. monitoring or registration for receipt of user log-on information, or the connection status of the users
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及一种云端模型准确性提高方法、装置、电子设备及存储介质,以解决训练得到的云端模型准确性较低的问题,包括:终端设备响应于与其通信连接的云端服务器下发的梯度信息请求,将终端设备的梯度信息上报到云端服务器;云端服务器按照衰减步长策略,整合每一终端设备上报的梯度信息得到整合梯度值,根据整合梯度值对云端模型进行更新,衰减步长策略为衰减步长随梯度值靠近模型收敛阈值而减小;云端服务器在确定云端模型收敛的情况下,将该云端模型发送至每一终端设备;每一终端设备在接收到该云端模型的情况下,将终端设备的原有模型替换为云端模型。这样,可以提高训练得到的云端模型的准确性。
Description
技术领域
本发明涉及影像处理技术领域,尤其涉及云端模型准确性提高方法、装置、电子设备及存储介质。
背景技术
在相关场景中,利用分布式优化算法进行电子设备的数据更新,但是分布式优化算法要求客户的数量小于每一客户所拥有的样本量。但是通常情况下,客户的数量远大于每一用户拥有的样本量,例如,使用安卓系统的用户,其数量远大于每一用户所拥有的样本量,并且不同用户数据的分布差异较大,因此在安卓系统更新时传统的分布式优化算法适用性较低。
相关技术中,通过联邦学习的方式对电子设备的数据进行更新,通过联邦学习将训练数据保留在电子设备上,并通过汇总客户端子模型的方式更新云端模型,并通过子模型的更新简单进行平均、联邦梯度下降方法或基于拟牛顿方法的逻辑回归方式增加优化的客户端的数量,并且通过压缩通讯量的方式使得通讯环境仅受上行带宽限制,可以提高数据更新的便捷性。但是,上述方式的准确性较低,并且造成训练数据的安全性较低,非法用户有概率恢复出其它客户的本地训练数据。
因此,如何在降低客户端与云端的通信量的情况下,提高模型更新的准确性以及提高数据鲁棒性成为亟待解决的问题。
发明内容
为克服相关技术中存在的问题,本发明提供一种云端模型准确性提高方法、装置、电子设备及存储介质,以解决训练得到的云端模型准确性较低的问题。
根据本发明实施例的第一方面,提供一种云端模型准确性提高方法,所述方法包括:
终端设备响应于与其通信连接的云端服务器下发的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器;
所述云端服务器按照衰减步长策略,整合每一所述终端设备上报的梯度信息得到整合梯度值,并根据所述整合梯度值对云端模型进行更新,所述衰减步长策略为所述衰减步长随梯度值靠近模型收敛阈值而减小;
所述云端服务器在确定所述云端模型收敛的情况下,将该云端模型发送至所述每一终端设备;
所述每一终端设备在接收到该云端模型的情况下,将所述终端设备的原有模型替换为所述云端模型。
优选地,所述终端设备响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器,包括:
终端设备响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息进行二值化,得到二值化梯度信息;
将所述二值化梯度信息上报到所述云端服务器。
优选地,所述整合每一所述终端设备上报的梯度信息得到整合梯度信息包括:
整合每一所述终端设备上报的梯度信息,并对整合后的所述梯度信息进行二值化,得到所述整合梯度信息。
优选地,所述方法还包括:
所述云端服务器在确定所述云端模型未收敛的情况下,继续向与其通信连接的终端设备下发梯度信息请求,以便所述终端设备响应于该梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器。
根据本发明实施例的第二方面,提供一种云端模型准确性提高系统,所述系统包括:云端服务器,与所述云端服务器通信连接的多个终端设备;
所述终端设备用于响应于与其通信连接的云端服务器下发的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器;
所述云端服务器用于按照衰减步长策略,整合每一所述终端设备上报的梯度信息得到整合梯度值,并根据所述整合梯度值对云端模型进行更新,以及在确定所述云端模型收敛的情况下,将该云端模型发送至所述每一终端设备,所述衰减步长策略为所述衰减步长随梯度值靠近模型收敛阈值减小;
所述终端设备还用于在接收到该云端模型的情况下,将所述终端设备的原有模型替换为所述云端模型。
优选地,所述终端设备具体用于:
响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息进行二值化,得到二值化梯度信息;
将所述二值化梯度信息上报到所述云端服务器。
优选地,所述云端模型具体用于:
整合每一所述终端设备上报的梯度信息,并对整合后的所述梯度信息进行二值化,得到所述整合梯度信息。
优选地,所述云端服务器还用于在确定所述云端模型未收敛的情况下,继续向与其通信连接的终端设备下发梯度信息请求,以便所述终端设备响应于该梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器。
根据本发明实施例的第三方面,提供一种电子设备,包括:
存储器,其上存储有可编程控制指令;
处理器,用于执行所述存储器中的所述可编程控制指令,以实现第一方面任一项所述方法的步骤。
根据本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现第一方面任一项所述方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:通过终端设备响应于与其通信连接的云端服务器下发的梯度信息请求,将终端设备的梯度信息上报到云端服务器;云端服务器按照衰减步长策略,整合每一终端设备上报的梯度信息得到整合梯度值,根据整合梯度值对云端模型进行更新,衰减步长策略为衰减步长随梯度值靠近模型收敛阈值而减小;云端服务器在确定云端模型收敛的情况下,将该云端模型发送至每一终端设备;每一终端设备在接收到该云端模型的情况下,将终端设备的原有模型替换为云端模型。这样,通过衰减步长随梯度值靠近模型收敛阈值而减小,在越靠近模型收敛阈值时,梯度下降越慢,在降低客户端与云端的通信量的情况下,可以提高训练得到的云端模型的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种云端模型准确性提高方法的流程图。
图2是根据一示例性实施例示出的一种云端模型准确性提高系统的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
发明人发现,在联邦学习的情景下,由于各普通用户的电子设备的本地模型结构一致,且同一时间通讯的梯度信息也一致,且梯度下降采用固定步长,因此若存在非法用户想要获取普通用户的用户信息,只需要通过修改某一普通用户的本地数据,将该本地模型的梯度信息尽可能地靠近云端通讯给出的梯度信息,那么非法用户就可能通过修改后的本地数据恢复出其它普通用户的本地训练数据。导致本地训练数据的安全性较低。更为重要的是,本地训练数据不准确,导致云端模型训练的训练样本准确性降低,直接造成云端模型的准备性降低。
为解决上述问题,图1是根据一示例性实施例示出的一种云端模型准确性提高方法的流程图,如图1所示,所述方法包括以下步骤。
在步骤S11中,终端设备响应于与其通信连接的云端服务器下发的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器;
在步骤S12中,所述云端服务器按照衰减步长策略,整合每一所述终端设备上报的梯度信息得到整合梯度值,并根据所述整合梯度值对云端模型进行更新,所述衰减步长策略为所述衰减步长随梯度值靠近模型收敛阈值而减小;
在步骤S13中,所述云端服务器在确定所述云端模型收敛的情况下,将该云端模型发送至所述每一终端设备;
在步骤S14中,所述每一终端设备在接收到该云端模型的情况下,将所述终端设备的原有模型替换为所述云端模型。
具体地,云端服务器在获取到终端设备的某一神经网络模型需要更新时,例如,在获取到图片分类模型需要更新时,生成并发送图片分类模型对应的梯度信息请求。终端设备在接收到该图片分类模型对应的梯度信息请求的情况下,将所述终端设备的图片分类模型对应的梯度信息上报到所述云端服务器。
具体实施时,随云端模型训练的进行,模型训练样本的梯度值靠近模型收敛阈值,衰减步长越短。例如,模型收敛阈值为1024,在云端模型训练的梯度值128时,衰减步长为1/2,在云端模型训练的梯度值256时,衰减步长为1/3,在云端模型训练的梯度值512时,衰减步长为1/4。这样,可以提高云端模型训练的准确性,进而提高了训练得到的云端模型的准确性。
具体地,云端服务器在确定云端模型的损失函数的最小值与模型收敛阈值一致的情况下,确定所述云端模型收敛。进而将云端模型的数据打包以后发送给各终端设备。
终端设备在接收到该打包后云端模型的数据,对其进行解码等,将原有模型替换为所述云端模型。
上述技术方案通过终端设备响应于与其通信连接的云端服务器下发的梯度信息请求,将终端设备的梯度信息上报到云端服务器;云端服务器按照衰减步长策略,整合每一终端设备上报的梯度信息得到整合梯度值,根据整合梯度值对云端模型进行更新,衰减步长策略为衰减步长随梯度值靠近模型收敛阈值而减小;云端服务器在确定云端模型收敛的情况下,将该云端模型发送至每一终端设备;每一终端设备在接收到该云端模型的情况下,将终端设备的原有模型替换为云端模型。这样,通过衰减步长随梯度值靠近模型收敛阈值而减小,在越靠近模型收敛阈值时,梯度下降越慢,在降低客户端与云端的通信量的情况下,可以提高训练得到的云端模型的准确性。
优选地,所述终端设备响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器,包括:
终端设备响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息进行二值化,得到二值化梯度信息;
将所述二值化梯度信息上报到所述云端服务器。
具体地,梯度信息进行二值化包括将原来的梯度信息压缩为二值的,例如,原梯度信息为(1.1,-1.2,8,2,0),压缩为二值后得到二值化梯度信息为(1,-1,1,1,-1)。这样,可以降低梯度信息在上报云端服务器过程中,被非法用户攻击成功的概率,从而提升了梯度信息的鲁棒性,进而提高了云端模型训练样本的准确性以及提高了训练得到的云端模型的准确性。
优选地,所述整合每一所述终端设备上报的梯度信息得到整合梯度信息包括:
整合每一所述终端设备上报的梯度信息,并对整合后的所述梯度信息进行二值化,得到所述整合梯度信息。这样,可以降低梯度信息在云端模型训练过程中,被非法用户攻击成功的概率,从而提升了梯度信息的鲁棒性,进而提高了云端模型训练样本的准确性以及提高了训练得到的云端模型的准确性。
优选地,所述方法还包括:
所述云端服务器在确定所述云端模型未收敛的情况下,继续向与其通信连接的终端设备下发梯度信息请求,以便所述终端设备响应于该梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器。
具体地,云端服务器在确定云端模型的损失函数的最小值与模型收敛阈值不一致的情况下,确定所述云端模型未收敛。
基于相同的发明构思,本发明还提供一种数据鲁棒性提高系统200,图2是根据一示例性实施例示出的一种云端模型准确性提高系统的框图,如图2所示,所述系统100包括:云端服务器110,与所述云端服务器110通信连接的多个终端设备120;
所述终端设备120用于响应于与其通信连接的云端服务器下发的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器;
所述云端服务器110用于按照衰减步长策略,整合每一所述终端设备110上报的梯度信息得到整合梯度值,并根据所述整合梯度值对云端模型进行更新,以及在确定所述云端模型收敛的情况下,将该云端模型发送至所述每一终端设备120,所述衰减步长策略为所述衰减步长随梯度值靠近模型收敛阈值减小;
所述终端设备120还用于在接收到该云端模型的情况下,将所述终端设备110的原有模型替换为所述云端模型。
上述系统通过衰减步长随梯度值靠近模型收敛阈值而减小,在越靠近模型收敛阈值时,梯度下降越慢,在降低客户端与云端的通信量的情况下,可以提高训练得到的云端模型的准确性。
优选地,所述终端设备120具体用于:
响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息进行二值化,得到二值化梯度信息;
将所述二值化梯度信息上报到所述云端服务器。
优选地,所述云端服务器110具体用于:
整合每一所述终端设备120上报的梯度信息,并对整合后的所述梯度信息进行二值化,得到所述整合梯度信息。
优选地,所述云端服务器110还用于在确定所述云端模型未收敛的情况下,继续向与其通信连接的终端设备110下发梯度信息请求,以便所述终端设备120响应于该梯度信息请求,将所述终端设备120的梯度信息上报到所述云端服务器。
关于上述实施例中的终端设备以及云端服务器,其执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于相同的发明构思,本发明实施例还提供一种电子设备,包括:
存储器,其上存储有可编程控制指令;
处理器,用于执行所述存储器中的所述可编程控制指令,以实现第一方面任一项所述方法的步骤。
具体地,该电子设备可以被配置为一终端设备120,用于执行上述方法中终端设备所执行方法的步骤;也可以被配置为一云端服务器110,用于执行上述方法中云端服务器所执行方法的步骤。
基于相同的发明构思,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现上述任一项所述方法的步骤。例如,执行上述方法中终端设备所执行方法的步骤或者执行上述方法中云端服务器所执行方法的步骤。
具体的,该计算机可读存储介质可以是闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器等等。
关于上述实施例中的计算机可读存储介质,其上存储的计算机程序被执行时的影像分辨率提高方法步骤已将在有关该方法的实施例中进行了详细描述,此处不做详细阐述。
本领域技术人员在考虑说明书及实践本发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种云端模型准确性提高方法,其特征在于,所述方法包括:
终端设备响应于与其通信连接的云端服务器下发的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器;
所述云端服务器按照衰减步长策略,整合每一所述终端设备上报的梯度信息得到整合梯度值,并根据所述整合梯度值对云端模型进行更新,所述衰减步长策略为所述衰减步长随梯度值靠近模型收敛阈值而减小;
所述云端服务器在确定所述云端模型收敛的情况下,将该云端模型发送至所述每一终端设备;
所述每一终端设备在接收到该云端模型的情况下,将所述终端设备的原有模型替换为所述云端模型。
2.根据权利要求1所述的方法,其特征在于,所述终端设备响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器,包括:
终端设备响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息进行二值化,得到二值化梯度信息;
将所述二值化梯度信息上报到所述云端服务器。
3.根据权利要求2所述的方法,其特征在于,所述整合每一所述终端设备上报的梯度信息得到整合梯度信息包括:
整合每一所述终端设备上报的梯度信息,并对整合后的所述梯度信息进行二值化,得到所述整合梯度信息。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
所述云端服务器在确定所述云端模型未收敛的情况下,继续向与其通信连接的终端设备下发梯度信息请求,以便所述终端设备响应于该梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器。
5.一种云端模型准确性提高系统,其特征在于,所述系统包括:云端服务器,与所述云端服务器通信连接的多个终端设备;
所述终端设备用于响应于与其通信连接的云端服务器下发的梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器;
所述云端服务器用于按照衰减步长策略,整合每一所述终端设备上报的梯度信息得到整合梯度值,并根据所述整合梯度值对云端模型进行更新,以及在确定所述云端模型收敛的情况下,将该云端模型发送至所述每一终端设备,所述衰减步长策略为所述衰减步长随梯度值靠近模型收敛阈值减小;
所述终端设备还用于在接收到该云端模型的情况下,将所述终端设备的原有模型替换为所述云端模型。
6.根据权利要求5所述的系统,其特征在于,所述终端设备具体用于:
响应于与其通信连接的云端服务器通信的梯度信息请求,将所述终端设备的梯度信息进行二值化,得到二值化梯度信息;
将所述二值化梯度信息上报到所述云端服务器。
7.根据权利要求5所述的系统,其特征在于,所述云端模型具体用于:
整合每一所述终端设备上报的梯度信息,并对整合后的所述梯度信息进行二值化,得到所述整合梯度信息。
8.根据权利要求6或7所述的系统,其特征在于,所述云端服务器还用于在确定所述云端模型未收敛的情况下,继续向与其通信连接的终端设备下发梯度信息请求,以便所述终端设备响应于该梯度信息请求,将所述终端设备的梯度信息上报到所述云端服务器。
9.一种电子设备,其特征在于,包括:
存储器,其上存储有可编程控制指令;
处理器,用于执行所述存储器中的所述可编程控制指令,以实现权利要求1-5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011376803.9A CN112383440A (zh) | 2020-12-01 | 2020-12-01 | 云端模型准确性提高方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011376803.9A CN112383440A (zh) | 2020-12-01 | 2020-12-01 | 云端模型准确性提高方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112383440A true CN112383440A (zh) | 2021-02-19 |
Family
ID=74590037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011376803.9A Pending CN112383440A (zh) | 2020-12-01 | 2020-12-01 | 云端模型准确性提高方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112383440A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109698822A (zh) * | 2018-11-28 | 2019-04-30 | 众安信息技术服务有限公司 | 基于公有区块链和加密神经网络的联合学习方法及系统 |
CN110135327A (zh) * | 2019-05-11 | 2019-08-16 | 东南大学 | 一种基于多区域特征学习模型的驾驶员行为识别方法 |
CN110874440A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 一种信息推送及其模型训练的方法、装置及电子设备 |
CN110956263A (zh) * | 2019-11-14 | 2020-04-03 | 深圳华侨城文化旅游科技集团有限公司 | 一种二值化神经网络的构建方法、存储介质及终端设备 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
CN111950611A (zh) * | 2020-07-30 | 2020-11-17 | 西南大学 | 基于随机梯度追踪技术的大数据二分类分布式优化方法 |
-
2020
- 2020-12-01 CN CN202011376803.9A patent/CN112383440A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109698822A (zh) * | 2018-11-28 | 2019-04-30 | 众安信息技术服务有限公司 | 基于公有区块链和加密神经网络的联合学习方法及系统 |
CN110135327A (zh) * | 2019-05-11 | 2019-08-16 | 东南大学 | 一种基于多区域特征学习模型的驾驶员行为识别方法 |
CN110956263A (zh) * | 2019-11-14 | 2020-04-03 | 深圳华侨城文化旅游科技集团有限公司 | 一种二值化神经网络的构建方法、存储介质及终端设备 |
CN110874440A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 一种信息推送及其模型训练的方法、装置及电子设备 |
CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
CN111950611A (zh) * | 2020-07-30 | 2020-11-17 | 西南大学 | 基于随机梯度追踪技术的大数据二分类分布式优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110535777B (zh) | 访问请求控制方法、装置、电子设备以及可读存储介质 | |
CN111783142B (zh) | 数据保护方法、装置、服务器和介质 | |
CN114697304B (zh) | 一种灰度发布方法、系统、装置、设备及存储介质 | |
CN112087744A (zh) | 一种识别终端型号的方法、系统、装置及存储介质 | |
CN111464513A (zh) | 数据检测方法、装置、服务器及存储介质 | |
CN112884075A (zh) | 一种流量数据增强方法、流量数据分类方法及相关装置 | |
CN114285838A (zh) | 一种文件上传方法、装置、系统、存储介质及电子设备 | |
CN112600904A (zh) | 一种智慧城市物联网设备控制方法、装置及控制中心 | |
CN112383440A (zh) | 云端模型准确性提高方法、装置、电子设备及存储介质 | |
CN108400884B (zh) | 一种提高网站服务稳定性的方法、系统及装置 | |
CN113343577B (zh) | 一种基于机器学习的参数优化方法、装置、设备及介质 | |
CN112764791B (zh) | 一种增量更新的恶意软件检测方法及系统 | |
CN111539029B (zh) | 基于工业互联网的大数据存储速率优化方法及云计算中心 | |
CN111143644B (zh) | 物联网设备的识别方法及装置 | |
CN114866445A (zh) | 一种通讯系统、通讯方法及电子终端 | |
CN114726876A (zh) | 一种数据检测方法、装置、设备和存储介质 | |
CN112055076A (zh) | 基于互联网的多功能智能监控方法、装置及服务器 | |
CN112039994B (zh) | 基于互联网的远程监控方法、装置及服务器 | |
CN110674119A (zh) | 数据处理方法、系统与计算机可读存储介质 | |
CN112148355B (zh) | 一种基于深度学习的系统差分升级方法及装置 | |
CN112929321B (zh) | 一种鉴权方法、装置及终端设备 | |
CN116594658B (zh) | 针对元数据的版本升级方法、装置、电子设备和介质 | |
CN112055075B (zh) | 互联网产品监控方法、装置、服务器及可读存储介质 | |
CN112633955B (zh) | 广告转化异常检测方法、系统及计算机可读存储介质 | |
CN114063879B (zh) | 用于处理操作命令的方法、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |