CN113361618A - 一种基于联邦学习的工业数据联合建模方法及系统 - Google Patents

一种基于联邦学习的工业数据联合建模方法及系统 Download PDF

Info

Publication number
CN113361618A
CN113361618A CN202110675879.XA CN202110675879A CN113361618A CN 113361618 A CN113361618 A CN 113361618A CN 202110675879 A CN202110675879 A CN 202110675879A CN 113361618 A CN113361618 A CN 113361618A
Authority
CN
China
Prior art keywords
industrial
client
data
parameters
central control
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
Application number
CN202110675879.XA
Other languages
English (en)
Inventor
周显敬
刘虎
汪寒雨
张涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Zhuoer Information Technology Co ltd
Original Assignee
Wuhan Zhuoer Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Zhuoer Information Technology Co ltd filed Critical Wuhan Zhuoer Information Technology Co ltd
Priority to CN202110675879.XA priority Critical patent/CN113361618A/zh
Publication of CN113361618A publication Critical patent/CN113361618A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明涉及一种基于联邦学习的工业数据联合建模方法及系统，方法包括：客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；中控服务器向各个客户端发起联合建模任务请求；客户端收到建模任务请求后，将局部模型的参数发送给中控服务器；中控服务器对来自多个客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个客户端。考虑工业数据来源于多个客户端的现状，基于联邦学习将各个客户端的工业数据进行联合建模，同时将具有庞大计算量的任务部署到各个客户端上，提升计算效率，减少任务耗能。

Description

一种基于联邦学习的工业数据联合建模方法及系统
技术领域
本发明涉及计算机学习技术领域，尤其涉及一种基于联邦学习的工业数据联合建模方法及系统。
背景技术
工业数据是在工业领域信息化应用中产生的数据，其可以反映机器设备的运行情况，因此可以通过分析工业数据对机器设备的运行进行监控及控制。
随着机器学习的快速发展，机器学习被应用于各个领域，例如，数据挖掘、数据分类、图像识别等。在实际应用中，对机器学习模型进行训练的过程可能需要大量的样本数据，但工业数据可能来源于多个客户端，常规进行模型训练很难达到较好的效果。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于联邦学习的工业数据联合建模方法及系统，考虑工业数据来源于多个客户端的现状，基于联邦学习将各个客户端的工业数据进行联合建模，同时将具有庞大计算量的任务部署到各个客户端上，提升计算效率，减少任务耗能；同时解决了一个客户端的本地数据可能不足以支持建模的训练过程的问题。
根据本发明的第一方面，提供了一种基于联邦学习的工业数据联合建模方法，包括：
步骤1，各个持有工业数据的客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；
步骤2，中控服务器向各个所述客户端发起联合建模任务请求；
步骤3，所述客户端收到所述建模任务请求后，将所述局部模型的参数发送给所述中控服务器；
步骤4，所述中控服务器对收到的来自多个所述客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个所述客户端。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述步骤1包括：
获取设定时间范围内的工业变量数据xn与同一时间的质量数据yn组成有标签样本集{(x1；y1)……(xn；yn)……(xN；yN)}，n和N分别表示工业变量数据的序号数和总数，n∈{1，N}。
可选的，所述步骤1中采用联邦线性算法训练本地的局部模型，目标函数为：
Figure BDA0003119932930000021
其中，ω表示模型的参数，L为模型的损失函数。
可选的，所述中控服务器向所述客户端发送对所述全局模型的参数进行加密后的数据；
所述客户端对所述局模型的参数进行解密后，根据所述目标函数计算损失，加密后回传给所述中控服务器。
可选的，所述中控服务器收到来自所述客户端的局部模型的参数后，对其进行质量判断，符合要求后再进行聚合操作。
可选的，所述中控服务器对全局模型的参数进行更新后，评估更新后的模型性能，当性能满足设定要求时终止整个训练过程。
根据本发明的第二方面，提供一种基于联邦学习的工业数据联合建模系统，包括：中控服务器和多个客户端；
所述中控服务器向各个持有工业数据的客户端发起联合建模任务请求，接收来自多个所述客户端的局部模型的参数，对所述参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个所述客户端；
所述客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；在收到联合建模任务请求时所述将所述局部模型的参数发送给所述中控服务器。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于联邦学习的工业数据联合建模方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于联邦学习的工业数据联合建模方法的步骤。
本发明提供的一种基于联邦学习的工业数据联合建模方法、系统、电子设备及存储介质，在基于联邦学习的工业数据联合建模方法及系统的各个环节进行加密，加强隐私保护能力；对符合质量要求的数据进行聚合操作，提升联邦学习的工业数据联合建模方法及系统的鲁棒性。
附图说明
图1为本发明提供的一种基于联邦学习的工业数据联合建模方法流程图；
图2为本发明实施例提供的一种基于联邦学习的工业数据联合建模系统结构图；
图3为本发明提供的一种可能的电子设备的硬件结构示意图；
图4为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明提供的一种基于联邦学习的工业数据联合建模方法流程图，如图1所示，该工业数据联合建模方法包括：
步骤1，各个持有工业数据的客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型。
步骤2，中控服务器向客户端发起联合建模任务请求。
步骤3，客户端收到建模任务请求后，将局部模型的参数发送给中控服务器。
具体实施中，中控服务器向其可以通信的各个客户端发起该建模任务请求，寻求参与联合建模的客户端，客户端愿意参加该联合建模任务时才向中控服务器返回其本地的局部模型的参数。
步骤4，中控服务器对收到的来自多个客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个客户端。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种基于联邦学习的工业数据联合建模方法，考虑工业数据来源于多个客户端的现状，基于联邦学习将各个客户端的工业数据进行联合建模，同时将具有庞大计算量的任务部署到各个客户端上，提升计算效率，减少任务耗能；同时解决了一个客户端的本地数据可能不足以支持建模的训练过程的问题。
实施例1
本发明提供的实施例1为本发明提供的一种基于联邦学习的工业数据联合建模的实施例，结合图1可知，该工业数据联合建模方法的实施例包括：
步骤1，客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型。
优选的，获取设定时间范围内的工业变量数据xn与同一时间的质量数据yn组成有标签样本集{(x1；y1)……(xn；yn)……(xN；yN)}，n和N分别表示工业变量数据的序号数和总数，n∈{1，N}。
采用联邦线性算法训练本地的局部模型，目标函数为：
Figure BDA0003119932930000051
其中，ω表示模型的参数，L为模型的损失函数。
步骤2，中控服务器向各个持有工业数据的客户端发起联合建模任务请求。
步骤3，客户端收到建模任务请求后，将局部模型的参数发送给中控服务器。
步骤4，中控服务器对收到的来自多个客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个客户端。
进一步的，中控服务器向客户端发送对全局模型的参数进行加密后的数据。
客户端对局模型的参数进行解密后，根据目标函数计算损失，加密后回传给中控服务器。
中控服务器收到来自客户端的局部模型的参数后，对其进行质量判断，符合要求后再进行聚合操作。
中控服务器对全局模型的参数进行更新后，评估更新后的模型性能，当性能满足设定要求时终止整个训练过程。
实施例2
本发明提供的实施例2为本发明提供的一种基于联邦学习的工业数据联合建模系统的实施例，图2为本发明实施例提供的一种基于联邦学习的工业数据联合建模系统结构图，结合图2可知，该实施例包括：中控服务器和多个客户端。
中控服务器向各个持有工业数据的客户端发起联合建模任务请求，接收来自多个客户端的局部模型的参数，对参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个客户端。
客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；在收到联合建模任务请求时将局部模型的参数发送给中控服务器。
可以理解的是，本发明提供的一种基于联邦学习的工业数据联合建模系统与前述各实施例提供的基于联邦学习的工业数据联合建模方法相对应，基于联邦学习的工业数据联合建模系统的相关技术特征可参考基于联邦学习的工业数据联合建模方法的相关技术特征，在此不再赘述。
请参阅图3，图3为本发明实施例提供的电子设备的实施例示意图。如图3所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1320上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；中控服务器向各个持有工业数据的客户端发起联合建模任务请求；客户端收到建模任务请求后，将局部模型的参数发送给中控服务器；中控服务器对收到的来自多个客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个客户端。
请参阅图4，图4为本发明提供的一种计算机可读存储介质的实施例示意图。如图4所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；中控服务器向各个持有工业数据的客户端发起联合建模任务请求；客户端收到建模任务请求后，将局部模型的参数发送给中控服务器；中控服务器对收到的来自多个客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个客户端。
本发明实施例提供的一种基于联邦学习的工业数据联合建模方法、系统及存储介质，考虑工业数据来源于多个客户端的现状，基于联邦学习将各个客户端的工业数据进行联合建模，同时将具有庞大计算量的任务部署到各个客户端上，提升计算效率，减少任务耗能；同时解决了一个客户端的本地数据可能不足以支持建模的训练过程的问题；在基于联邦学习的工业数据联合建模方法及系统的各个环节进行加密，加强隐私保护能力；对符合质量要求的数据进行聚合操作，提升联邦学习的工业数据联合建模方法及系统的鲁棒性。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (9)

1.一种基于联邦学习的工业数据联合建模方法，其特征在于，所述工业数据联合建模方法包括：
步骤1，各个持有工业数据的客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；
步骤2，中控服务器向各个所述客户端发起联合建模任务请求；
步骤3，所述客户端收到所述建模任务请求后，将所述局部模型的参数发送给所述中控服务器；
步骤4，所述中控服务器对收到的来自多个所述客户端的局部模型的参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个所述客户端。
2.根据权利要求1所述的工业数据联合建模方法，其特征在于，所述步骤1包括：
获取设定时间范围内的工业变量数据xn与同一时间的质量数据yn组成有标签样本集{(x1；y1)……(xn；yn)……(xN；yN)}，n和N分别表示工业变量数据的序号数和总数，n∈{1，N}。
3.根据权利要求2所述的方法，其特征在于，所述步骤1中采用联邦线性算法训练本地的局部模型，目标函数为：
Figure FDA0003119932920000011
其中，ω表示模型的参数，L为模型的损失函数。
4.根据权利要求1所述的工业数据联合建模方法，其特征在于，所述中控服务器向所述客户端发送对所述全局模型的参数进行加密后的数据；
所述客户端对所述局模型的参数进行解密后，根据所述目标函数计算损失，加密后回传给所述中控服务器。
5.根据权利要求1所述的工业数据联合建模方法，其特征在于，所述中控服务器收到来自所述客户端的局部模型的参数后，对其进行质量判断，符合要求后再进行聚合操作。
6.根据权利要求1所述的工业数据联合建模方法，其特征在于，所述中控服务器对全局模型的参数进行更新后，评估更新后的模型性能，当性能满足设定要求时终止整个训练过程。
7.一种基于联邦学习的工业数据联合建模系统，其特征在于，所述工业数据联合建模系统包括：中控服务器和多个客户端；
所述中控服务器向各个持有工业数据的客户端发起联合建模任务请求，接收来自多个所述客户端的局部模型的参数，对所述参数进行聚合操作后，根据聚合后的结果对全局模型的参数进行更新，将更新后的全局模型返回给各个所述客户端；
所述客户端获取工业过程中与质量相关的工业变量数据，并根据对应的质量数据对工业变量数据进行标注生成带有标签的样本集，训练本地的局部模型；在收到联合建模任务请求时所述将所述局部模型的参数发送给所述中控服务器。
8.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-6任一项所述的基于联邦学习的工业数据联合建模方法的步骤。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-6任一项所述的基于联邦学习的工业数据联合建模方法的步骤。
CN202110675879.XA 2021-06-17 2021-06-17 一种基于联邦学习的工业数据联合建模方法及系统 Pending CN113361618A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110675879.XA CN113361618A (zh) 2021-06-17 2021-06-17 一种基于联邦学习的工业数据联合建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110675879.XA CN113361618A (zh) 2021-06-17 2021-06-17 一种基于联邦学习的工业数据联合建模方法及系统

Publications (1)

Publication Number Publication Date
CN113361618A true CN113361618A (zh) 2021-09-07

Family

ID=77534902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110675879.XA Pending CN113361618A (zh) 2021-06-17 2021-06-17 一种基于联邦学习的工业数据联合建模方法及系统

Country Status (1)

Country Link
CN (1) CN113361618A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792324A (zh) * 2021-11-16 2021-12-14 聊城高新生物技术有限公司 基于联邦学习的农产品数据交互方法、装置及电子设备
CN113919508A (zh) * 2021-10-15 2022-01-11 河南工业大学 一种基于移动式服务器的联邦学习系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110572253A (zh) * 2019-09-16 2019-12-13 济南大学 一种联邦学习训练数据隐私性增强方法及系统
CN112580821A (zh) * 2020-12-10 2021-03-30 深圳前海微众银行股份有限公司 一种联邦学习方法、装置、设备及存储介质
CN112668726A (zh) * 2020-12-25 2021-04-16 中山大学 一种高效通信且保护隐私的个性化联邦学习方法
CN112906903A (zh) * 2021-01-11 2021-06-04 北京源堡科技有限公司 网络安全风险预测方法、装置、存储介质及计算机设备
CN112906859A (zh) * 2021-01-27 2021-06-04 重庆邮电大学 一种用于轴承故障诊断的联邦学习算法
CN112949837A (zh) * 2021-04-13 2021-06-11 中国人民武装警察部队警官学院 一种基于可信网络的目标识别联邦深度学习方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110572253A (zh) * 2019-09-16 2019-12-13 济南大学 一种联邦学习训练数据隐私性增强方法及系统
CN112580821A (zh) * 2020-12-10 2021-03-30 深圳前海微众银行股份有限公司 一种联邦学习方法、装置、设备及存储介质
CN112668726A (zh) * 2020-12-25 2021-04-16 中山大学 一种高效通信且保护隐私的个性化联邦学习方法
CN112906903A (zh) * 2021-01-11 2021-06-04 北京源堡科技有限公司 网络安全风险预测方法、装置、存储介质及计算机设备
CN112906859A (zh) * 2021-01-27 2021-06-04 重庆邮电大学 一种用于轴承故障诊断的联邦学习算法
CN112949837A (zh) * 2021-04-13 2021-06-11 中国人民武装警察部队警官学院 一种基于可信网络的目标识别联邦深度学习方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QIANG YANG 等: "Federated Machine Learning: Concept and Applications", 《ARXIV:1902.04885V1 [CS.AI]》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919508A (zh) * 2021-10-15 2022-01-11 河南工业大学 一种基于移动式服务器的联邦学习系统及方法
CN113792324A (zh) * 2021-11-16 2021-12-14 聊城高新生物技术有限公司 基于联邦学习的农产品数据交互方法、装置及电子设备
CN113792324B (zh) * 2021-11-16 2022-04-05 聊城高新生物技术有限公司 基于联邦学习的农产品数据交互方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110782042B (zh) 横向联邦和纵向联邦联合方法、装置、设备及介质
CN110942154B (zh) 基于联邦学习的数据处理方法、装置、设备及存储介质
CN109002861B (zh) 联邦建模方法、设备及存储介质
CN110249342B (zh) 使用机器学习模型的自适应信道编码
CN111368901A (zh) 基于联邦学习的多方联合建模方法、设备和介质
CN110378488B (zh) 客户端变化的联邦训练方法、装置、训练终端及存储介质
WO2020238677A1 (zh) 数据处理方法、装置和计算机可读存储介质
CN113159329B (zh) 模型训练方法、装置、设备及存储介质
CN113361618A (zh) 一种基于联邦学习的工业数据联合建模方法及系统
CN114611128B (zh) 一种纵向联邦学习方法、装置、系统、设备及存储介质
CN110910143A (zh) 身份标识生成方法、装置、相关节点及介质
CN110874638B (zh) 面向行为分析的元知识联邦方法、装置、电子设备及系统
CN114610475A (zh) 一种智能资源编排模型的训练方法
CN117529728A (zh) 机器学习中的隐私性知悉式修剪
CN112634158A (zh) 人脸图像恢复方法、装置、计算机设备及存储介质
CN111444309B (zh) 用于对图进行学习的系统
CN114036566A (zh) 基于区块链和轻量级承诺的可验证联邦学习方法及装置
CN112437022B (zh) 网络流量识别方法、设备及计算机存储介质
CN105468676A (zh) 一种大数据处理方法
Saputra et al. Federated learning framework with straggling mitigation and privacy-awareness for AI-based mobile application services
CN116306905A (zh) 半监督非独立同分布的联邦学习蒸馏方法及装置
CN110414845B (zh) 针对目标交易的风险评估方法及装置
CN113537333A (zh) 一种优化树模型训练的方法及纵向联邦学习系统
CN114581750A (zh) 一种针对非独立同分布场景下快速准确的联邦学习方法及应用
CN113946758B (zh) 一种数据识别方法、装置、设备及可读存储介质

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

Application publication date: 20210907

RJ01 Rejection of invention patent application after publication