CN113160021B - 一种基于多源异构数据联邦学习的安全生产预警系统 - Google Patents
一种基于多源异构数据联邦学习的安全生产预警系统 Download PDFInfo
- Publication number
- CN113160021B CN113160021B CN202110289458.3A CN202110289458A CN113160021B CN 113160021 B CN113160021 B CN 113160021B CN 202110289458 A CN202110289458 A CN 202110289458A CN 113160021 B CN113160021 B CN 113160021B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- local
- central
- early warning
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 239000007789 gas Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 3
- 239000002341 toxic gas Substances 0.000 claims description 3
- 230000007123 defense Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于多源异构数据联邦学习的安全生产预警系统，包括：中央决策服务器和多个节点客户端，在中央决策服务器上建立中央模型，每一个中央模型处理一种数据；在节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数；选择对应的中央模型，将本地模型参数上传至对应的中央模型；每一个中央模型均接收多个本地模型参数，建立全局参数模型；节点客户端下载全局参数模型，直至中央模型收敛或达到预定的训练轮次；将训练完成后的中央模型下发至各个节点客户端；节点客户端生成识别结果，实施预警。本发明解决各个园区安全生产各自为政的问题，实现安全生产联防联控，共同解决彼此相关问题，保证了园区企业的数据隐私。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及为一种基于多源异构数据联邦学习的安全生产预警系统。
背景技术
当前化工园区的安全生产形势和目标是联合园区各个企业进行安全生产监控预警。但现实是园区各企业的安全生产数据归各企业所有，数据共享涉及数据隐私安全问题，不符合当前数据发展的趋势。传统的联邦学习算法虽然能解决数据价值共享问题，但是面对安全生产防控涉及的专业和数据呈现多维、多类型的特点，传统的联邦学习算法则无能为力。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于多源异构数据联邦学习的安全生产预警系统。
本发明是通过以下技术方案予以实现：
一种基于多源异构数据联邦学习的安全生产预警系统，包括：作为联邦学习模型需求者的中央决策服务器和多个作为数据持有者的节点客户端，
根据各个节点客户端的所拥有的数据类型的数量，在所述中央决策服务器上建立相应数量的中央模型，每一个中央模型处理一种数据类型的数据；
在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数；
根据所述节点客户端的本地数据的数据类型选择对应的中央模型，将所述本地模型参数上传至所述对应的中央模型；
每一个所述中央模型均接收多个所述节点客户端发送的本地模型参数，建立全局参数模型；
所述节点客户端下载所述全局参数模型，以更新本地模型参数并上传更新后的本地模型参数，直至所述中央模型收敛或达到预定的训练轮次；
所述中央模型进行多模态融合，构建最终多维度的中央模型，
将训练完成后的所述最终多维度的中央模型下发至各个节点客户端；
所述节点客户端利用所述训练完成后的所述最终多维度的中央模型分析数据以识别出安全隐患，生成识别结果；
根据所述识别结果，实施预警。
进一步地，所述在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数的步骤，具体包括：
在所述节点客户端上建立异常行为识别模型，根据本地图像数据通过YOLOV5算法训练所述异常行为识别模型，生成本地模型参数。
进一步地，所述在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数的步骤，具体包括：
在所述节点客户端上建立车间安全指数识别模型，根据本地传感器数据通过SecureBoost安全树算法训练所述车间安全指数识别模型，生成本地模型参数。
进一步地，所述传感器数据包括：压力储罐的压力数据、压力储罐的温度数据、压力储罐的液位数据、可燃气体浓度数据、可燃气体阈值数据和有毒气体浓度数据。
进一步地，所述将所述本地模型参数上传至所述对应的中央模型的步骤，具体包括：采用同态加密方式将所述本地模型参数上传至所述对应的中央模型。
本发明的有益效果是：本发明针对园区安全生产数据的复杂性、多源性、分散性、隐私需求，既有效解决各个园区安全生产各自为政的问题，实现安全生产的联防联控，共同解决彼此相关的问题，又保证了园区企业的数据隐私。
附图说明
图1是本发明实施例多源异构数据联邦学习的安全生产预警系统框架图；
图2是本发明实施例多源异构数据联邦学习的安全生产预警系统中的多联邦学习的后期多模态融合架构图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。
过往的安全事故教训告诉我们，安全生产至关重要。采用先进的物联网技术、大数据分析技术、人工智能技术等先进技术推动了安全生产的发展。当前已经有针对单个企业的安全生产预警系统，这些系统一般采集本企业相关的安全生产数据，然后进行分析，最后做出安全诊断和预警。如CN201811574195-一种非煤矿山安全生产风险预测预警平台，通过采集生产指标数据采用聚类分析、时序分析等技术来实现对非煤矿山安全生产的风险预测和预警。CN201711452219-煤矿安全生产风险预警方法和系统，通过信息分类构成生产状况评估指标对安全生产进行评分。CN201910371841-一种基于人工智能技术的安全生产监管信息系统，通过深度学习的智能物体识别结合生产数据对烟花爆竹生产企业进行安全监管。
在当前化工园区的布局中，多个化工园区集中连片在一个片区内，构成了一个由园区管委会集中管理的园区社区。在这样的园区中，安全生产不仅仅是单个企业的职责，也是整个园区的职责。因为单个企业安全生产出现隐患，很可能会引起全园区的安全隐患。这就需要园区的企业共同参与到安全生产中来，这就需要各个企业的安全生产数据进行共享。然而，这样的数据共享往往存在着隐私数据泄露的风险。近年来出现的联邦学习可以把各个单位的模型综合起来产生更优化的模型，并保持各个主体业务数据的保密性。因此，在目前的人工智能应用中，联邦学习被认为在智慧金融、物联网、自动驾驶等具备分布式大数据的行业，具备很大的应用价值和前景。例如：CN201911326853-基于联邦学习的个性化推荐方法、装置、设备及介质，对特征丰富度较低的单个个性化推荐提供商进行联邦学习，既保证了数据的隐私安全性，又提升了个性化推荐效果。CN202010850623-基于联邦学习的人脸属性识别方法、客户端、设备及介质-基于联邦学习，克服了现有技术中客户端采用自身所拥有的人脸图像训练人脸属性识别模型导致客户端人脸属性的识别准确率较低的缺陷。CN202010698360-一种基于联邦学习的分心驾驶识别方法，采用联邦学习和浅层卷积神经网络两种机器学习技术进行分心驾驶识别，通过联邦学习和同态加密技术，解决在云环境下个人隐私的保护问题，有效解决数据孤岛的问题，提高识别的效率。
当前联邦学习在各行业的应用是建立在数据类型相同的情况下，例如基于联邦学习的分心驾驶识别方法中，各个客户端处理的是驾驶员分心行为识别的图像集。CN201911365903-基于联邦学习的高低压电动机数据处理方法、系统及装置，处理的数据是电机数据与电机状态。这些数据的类型是一致的。然而，在化工园区的安全生产中，所要处理的安全生产数据是多样的、多维的，相互之间甚至存在关联性。
由此可以看到，数据是数量大，种类多，形式不统一，因此现有基于联邦学习的算法不能很好地处理这类场景。
如图1所示，本发明实施例提供一种基于多源异构数据联邦学习的安全生产预警系统，包括：作为联邦学习模型需求者的中央决策服务器和多个作为数据持有者的节点客户端，
根据各个节点客户端的所拥有的数据类型的数量，在所述中央决策服务器上建立相应数量的中央模型，每一个中央模型处理一种数据类型的数据；
在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数；
根据所述节点客户端的本地数据的数据类型选择对应的中央模型，将所述本地模型参数上传至所述对应的中央模型；
每一个所述中央模型均接收多个所述节点客户端发送的本地模型参数，建立全局参数模型；
所述节点客户端下载所述全局参数模型，以更新本地模型参数并上传更新后的本地模型参数，直至所述中央模型收敛或达到预定的训练轮次；
所述中央模型进行多模态融合，构建最终多维度的中央模型，
将训练完成后的所述最终多维度的中央模型下发至各个节点客户端；
所述节点客户端利用所述训练完成后的所述最终多维度的中央模型分析数据以识别出安全隐患，生成识别结果；
根据所述识别结果，实施预警。
具体的，本发明实施例中园区管委会扮演联邦学习模型需求者的角色，也就是相当于中央决策服务器，各个企业扮演联邦学习本地数据持有者的角色，设计一种集中式联邦学习架构，所谓模型需求者是对人工智能算法模型有需求的一方，也就是相当于节点客户端，模型需求者具有较强的计算能力，对本地数据持有者也就是本发明实施例中所说的各个企业发送过来的模型训练参数进行整合，直到达到训练目标。
所谓本地数据持有者是拥有本地数据的一方，是大数据的数据源头。根据联邦学习理念，数据持有者对本地数据进行模型训练，把计算所得的模型参数传送给模型需求者。在本发明中，模型需求者即园区管委会把最终训练所得的安全预警模型下发到本地数据持有者即各个企业，由各个企业执行安全预警，确保安全生产。
在集中式联邦学习的模型配置中，模型需求者的中央决策服务器设置若干个异构的模型，各个企业的本地客户端根据本地数据的数据类型从中央决策服务器中选取合适的中央模型进行联邦学习模型训练，例如根据摄像视频采用深度卷积神经网络训练一个员工行为异常的分类模型。在中央服务中，整个各个异构的中央模型生成一个整体的模型，如采用boosting算法实现整体的安全预警模型。最终该整体模型发送给各个企业执行，以确保安全生产。
进一步地，所述在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数的步骤，具体包括：
在所述节点客户端上建立异常行为识别模型，根据本地图像数据通过YOLOV5算法训练所述异常行为识别模型，生成本地模型参数。
举例来说为，设园区内N有个企业，每个企业所拥有的本地数据的类型有K种，其中包括视频数据、传感器数据、人员位置信息等。园区管委会提供有K个中央模型。企业根据本地数据的类型种类选取合适的中央模型。以视频数据为例，在工厂中员工的异常行为会造成重大的安全隐患，例如抽烟、在岗瞌睡、打架等。以传感数据为例，异常的传感数据意味着可能的安全隐患，设第i个中央模型采用YOLOV5算法支持对员工异常行为如抽烟的检测识别。设第j个中央模型采用决策树算法支持对安全生产等级的判定。本发明的一个实施例为员工吸烟，在员工异常行为的联邦学习检测中，首先各个企业收集员工吸烟行为的图像集，在本地通过YOLOV5算法训练该异常行为识别模型。各个企业选择对应的中央模型作为中央模型。在这里，选择第i个中央模型。愿意加入中央模型训练的企业以同态加密的方式把本地模型参数上传到第i个中央模型处。然后在第i个中央模型处进行联邦平均，建立全局参数模型，随后各个企业从第i个中央模型处下载更新的全局参数模型，更新本地模型参数，并上传更新的本地参数。直到模型收敛或者达到预定的训练轮次。
进一步地，所述在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数的步骤，具体包括：
在所述节点客户端上建立车间安全指数识别模型，根据本地传感器数据通过SecureBoost安全树算法训练所述车间安全指数识别模型，生成本地模型参数。本发明的另一个实施例以车间参数采集为例，在车间安全指数识别中，采用SecureBoost安全树模型。园区管委会具有一定历史的车间安全指数数据，各个园区企业具有车间生产的数据。园区企业从管委会K个模型中选择模型作为联邦学习中央模型，这里选择第j个中央模型。首先在隐私保护下下园区企业在不同特征上进行样本对齐。从数据样本中找出公共集合，可有相同的设备类型来识别。所有园区企业在隐私保护协议下共同学习一个共享的梯度提升树模型。最终第j个中央模型收敛，联邦学习决策树训练完成。
具体来讲，参见图2所示的本发明实施例多源异构数据联邦学习的安全生产预警系统中的多联邦学习的后期多模态融合架构图，在园区管委会的中央服务器获得K个最终模型后，一方面可以把K个最终模型反馈给相应的企业参与方面，另外一方面可以通过多模态融合来实现更为全面的最终的安全生产预警系统。本发明实施例采用在中央服务器端，对K个联邦学习模型采取多模态融合方法，采用后端融合方式，对图片、视频、传感数据的联邦学习架构采用集成学习的多模态融合方法实现安全生产预警的总体模型，在中央服务器端的最终安全生产预警模型可有园区各企业下载，进行自身的安全生产隐患识别和预警。
进一步地，所述传感器数据包括：压力储罐的压力数据、压力储罐的温度数据、压力储罐的液位数据、可燃气体浓度数据、可燃气体阈值数据和有毒气体浓度数据。
进一步地，所述将所述本地模型参数上传至所述对应的中央模型的步骤，具体包括：采用同态加密方式将所述本地模型参数上传至所述对应的中央模型。
总的来说本发明实施例提出一种新的联邦学习架构，重点处理面对多源异构数据的化工园区安全生产场景。不同于传统的对单一类型数据持有者的联邦学习，本发明实施例能处理多种类型数据的联邦学习，首先在中央决策服务器(位置可以在园区管委会)布置多种联邦学习聚合模型，供园区企业根据自身不同的本地数据类型来选择相对应的联邦学习模型。然后在中央决策服务器，对不同联邦学习模型采取多模态融合方法，采用后端融合方式，对图片、视频、传感数据的联邦学习架构采用集成学习的多模态融合方法实现安全生产预警的总体模型。
在中央决策服务器端的最终安全生产预警模型可由园区各企业下载，进行自身的安全生产隐患识别和预警。
本发明实施例针对园区安全生产数据的复杂性、多源性、分散性、隐私需求，既有效解决各个园区安全生产各自为政的问题，实现安全生产的联防联控，共同解决彼此相关的问题，又保证了园区企业的数据隐私。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于多源异构数据联邦学习的安全生产预警系统，其特征在于，包括：作为联邦学习模型需求者的中央决策服务器和多个作为数据持有者的节点客户端，
根据各个节点客户端的所拥有的数据类型的数量，在所述中央决策服务器上建立相应数量的中央模型，每一个中央模型处理一种数据类型的数据；
在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数；
根据所述节点客户端的本地数据的数据类型选择对应的中央模型，将所述本地模型参数上传至所述对应的中央模型；
每一个所述中央模型均接收多个所述节点客户端发送的本地模型参数，建立全局参数模型；
所述节点客户端下载所述全局参数模型，以更新本地模型参数并上传更新后的本地模型参数，直至所述中央模型收敛或达到预定的训练轮次；
所述中央模型进行多模态融合，构建最终多维度的中央模型，
将训练完成后的所述最终多维度的中央模型下发至各个节点客户端；
所述节点客户端利用所述训练完成后的所述最终多维度的中央模型分析数据以识别出安全隐患，生成识别结果；
根据所述识别结果，实施预警。
2.根据权利要求1所述的基于多源异构数据联邦学习的安全生产预警系统，其特征在于，所述在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数的步骤，具体包括：
在所述节点客户端上建立异常行为识别模型，根据本地图像数据通过YOLOV5算法训练所述异常行为识别模型，生成本地模型参数。
3.根据权利要求1所述的基于多源异构数据联邦学习的安全生产预警系统，其特征在于，所述在所述节点客户端上建立本地模型，使用本地数据进行模型训练，生成本地模型参数的步骤，具体包括：
在所述节点客户端上建立车间安全指数识别模型，根据本地传感器数据通过SecureBoost安全树算法训练所述车间安全指数识别模型，生成本地模型参数。
4.根据权利要求3所述的基于多源异构数据联邦学习的安全生产预警系统，其特征在于，所述传感器数据包括：
压力储罐的压力数据、压力储罐的温度数据、压力储罐的液位数据、可燃气体浓度数据、可燃气体阈值数据和有毒气体浓度数据。
5.根据权利要求1所述的基于多源异构数据联邦学习的安全生产预警系统，其特征在于，所述将所述本地模型参数上传至所述对应的中央模型的步骤，具体包括：采用同态加密方式将所述本地模型参数上传至所述对应的中央模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110289458.3A CN113160021B (zh) | 2021-03-18 | 2021-03-18 | 一种基于多源异构数据联邦学习的安全生产预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110289458.3A CN113160021B (zh) | 2021-03-18 | 2021-03-18 | 一种基于多源异构数据联邦学习的安全生产预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160021A CN113160021A (zh) | 2021-07-23 |
| CN113160021B true CN113160021B (zh) | 2022-04-12 |
Family
ID=76887630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110289458.3A Active CN113160021B (zh) | 2021-03-18 | 2021-03-18 | 一种基于多源异构数据联邦学习的安全生产预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160021B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516255A (zh) * | 2021-07-28 | 2021-10-19 | 深圳前海微众银行股份有限公司 | 联邦学习建模优化方法、设备、可读存储介质及程序产品 |
| CN114429223B (zh) * | 2022-01-26 | 2023-11-07 | 上海富数科技有限公司 | 异构模型建立方法及装置 |
| CN114580709B (zh) * | 2022-01-28 | 2024-04-16 | 西安电子科技大学 | 基于Transformer的多模态自相关补偿的时序预测方法 |
| CN115033464A (zh) * | 2022-05-31 | 2022-09-09 | 中电信数智科技有限公司 | 一种基于人工智能的分布式灾备演练数据预警方法及系统 |
| CN116307138A (zh) * | 2023-03-01 | 2023-06-23 | 中国科学院上海微系统与信息技术研究所 | 基于联邦学习的电气火灾预警方法、装置、终端及介质 |
| CN116562627A (zh) * | 2023-05-19 | 2023-08-08 | 中国电信股份有限公司湖州分公司 | 一种安全风险管理方法、系统、设备、介质及产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492420A (zh) * | 2018-12-28 | 2019-03-19 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
| CN110363305A (zh) * | 2019-07-17 | 2019-10-22 | 深圳前海微众银行股份有限公司 | 联邦学习方法、系统、终端设备及存储介质 |
| CN111126618A (zh) * | 2019-12-05 | 2020-05-08 | 深圳前海微众银行股份有限公司 | 一种基于多源异构系统的联邦学习方法及装置 |
| CN111177249A (zh) * | 2019-12-10 | 2020-05-19 | 浙江大学 | 一种基于联邦学习思想的多数据源数据可视化方法和装置 |
| CN111222646A (zh) * | 2019-12-11 | 2020-06-02 | 深圳逻辑汇科技有限公司 | 联邦学习机制的设计方法、装置和存储介质 |
-
2021
- 2021-03-18 CN CN202110289458.3A patent/CN113160021B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492420A (zh) * | 2018-12-28 | 2019-03-19 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
| CN110363305A (zh) * | 2019-07-17 | 2019-10-22 | 深圳前海微众银行股份有限公司 | 联邦学习方法、系统、终端设备及存储介质 |
| CN111126618A (zh) * | 2019-12-05 | 2020-05-08 | 深圳前海微众银行股份有限公司 | 一种基于多源异构系统的联邦学习方法及装置 |
| CN111177249A (zh) * | 2019-12-10 | 2020-05-19 | 浙江大学 | 一种基于联邦学习思想的多数据源数据可视化方法和装置 |
| CN111222646A (zh) * | 2019-12-11 | 2020-06-02 | 深圳逻辑汇科技有限公司 | 联邦学习机制的设计方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160021A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160021B (zh) | 一种基于多源异构数据联邦学习的安全生产预警系统 | |
| Ren et al. | Time-series anomaly detection service at microsoft | |
| CN110288001B (zh) | 基于目标数据特征训练学习的目标识别方法 | |
| CN110414305A (zh) | 人工智能卷积神经网络人脸识别系统 | |
| US20180268305A1 (en) | Retrospective event verification using cognitive reasoning and analysis | |
| CN110674790B (zh) | 一种视频监控中异常场景处理方法及系统 | |
| CN107092626A (zh) | 预计算模型的结果的检索 | |
| CN104992147A (zh) | 一种基于快慢结合云计算环境的深度学习的车牌识别方法 | |
| CN108109066A (zh) | 一种信用评分模型更新方法及系统 | |
| CN111738044A (zh) | 一种基于深度学习行为识别的校园暴力评估方法 | |
| Zschech et al. | A picture is worth a collaboration: Accumulating design knowledge for computer-vision-based hybrid intelligence systems | |
| CN116129307A (zh) | 封闭化场景可视化人员管理方法、装置、系统和存储介质 | |
| CN113727214A (zh) | 大气污染的巡查方法、装置、设备及存储介质 | |
| CN116560326B (zh) | 一种智慧工厂管理平台 | |
| Zhang et al. | Decoding of human identity by computer vision and neuronal vision | |
| CN109492919A (zh) | 问卷调查系统管理平台 | |
| CN112925899A (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
| CN113593605A (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
| CN112711603A (zh) | 基于云端的工件检测方法及系统、计算机可读存储介质 | |
| CN109063854A (zh) | 智能运维云平台系统及其控制方法 | |
| CN114782519A (zh) | 基于点云信息的球形或类球形物体定位方法、装置及介质 | |
| Yifan | Application of machine learning in network security situational awareness | |
| US11627162B2 (en) | Methods and systems for processing cyber incidents in cyber incident management systems using dynamic processing hierarchies | |
| Holt | Artificial intelligence in modern society | |
| Khoshbakht | Role of the big data analytic framework in business intelligence and its impact: Need and benefits |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230404 Address after: 601, 6th Floor, East Building, No. 11 Headquarters International, No. 26 Waihuan West Road, Fengtai District, Beijing, 100071 Patentee after: BEIJING TTSF TECHNOLOGY Co.,Ltd. Address before: C05, 3rd floor, Haitang space, area D, Haitang street, xianshuigu Town, Jinnan District, Tianjin Patentee before: TIANJIN ZHONGKE IOT TECHNOLOGY CO.,LTD. |
|
| TR01 | Transfer of patent right | ||
| CP03 | Change of name, title or address |
Address after: 601, 6th Floor, East Building, No. 11 Headquarters International, No. 26 Waihuan West Road, Fengtai District, Beijing, 100071 Patentee after: Beijing Tiantuo Sifang Technology Co.,Ltd. Address before: 601, 6th Floor, East Building, No. 11 Headquarters International, No. 26 Waihuan West Road, Fengtai District, Beijing, 100071 Patentee before: BEIJING TTSF TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address |