CN113642700A - 基于联邦学习和边缘计算的跨平台多模态舆情分析方法 - Google Patents
基于联邦学习和边缘计算的跨平台多模态舆情分析方法 Download PDFInfo
- Publication number
- CN113642700A CN113642700A CN202110756064.4A CN202110756064A CN113642700A CN 113642700 A CN113642700 A CN 113642700A CN 202110756064 A CN202110756064 A CN 202110756064A CN 113642700 A CN113642700 A CN 113642700A
- Authority
- CN
- China
- Prior art keywords
- public opinion
- modal
- data
- network
- cross
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 54
- 238000004364 calculation method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008451 emotion Effects 0.000 claims abstract description 19
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000013468 resource allocation Methods 0.000 claims description 13
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
Abstract
本发明公开了一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法,包括:S1.基于边缘计算的多模态舆情数据处理方法,来处理各公司内部的多模态舆情数据,形成多模态舆情数据样本;S2.采用基于联邦学习的跨平台情感分析模型训练方法,进行跨平台的情感分析训练,获得舆情分析的模型。本发明通过联邦学习的方法,将多个不同公司中的多模态舆情数据同时进行学习,得到统一的情感分析神经网络模型,实现了多模态舆情数据的跨平台分析。本发明在进行跨平台多模态舆情数据分析的同时,由于各公司神经网络的数据不需要互相分享,仅分享神经网络的模型参数,很好的保护了各自公司用户的数据隐私。
Description
技术领域
本发明属于移动边缘计算技术领域,涉及一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法。
背景技术
随着当前网络技术的飞速发展,在日常生活中所发生的一切都逐渐离不开网络,与此同时,网络信息的飞速传播导致网络舆情都或多或少会影响当前正在发生或即将发生的事件的发展走向,而收集网络舆情并加以分析就能在舆论负面效果爆发之前及时加以制止。例如通过分析学校内学生的舆情,就能及时了解到学校管理层或者各项工作制度的不足之处并加以修改完善,就能在负面效应发生之前及时避免。
在进行舆情分析时将需要大量的舆情数据作为支撑,然而,基于数据保护的考虑,目前互联网的数据是独立分布在一些互联网公司中,例如百度与阿里和腾讯的数据就无法互相访问,因此,设计跨平台的舆情分析方法是一个巨大的技术挑战。同时多模态舆情分析指同时分析综合了多种表达方式的舆情信息例如文字,图像,语音,视频等等,传统的舆情分析方法需要将采集的多模态数据传输到云端服务器进行分析,多模态数据的传输需要占用大量的网络带宽,造成了网络的拥塞,提高了网络成本。
随着互联网技术的快速发展,边缘计算技术已经非常成熟,该技术利用无线接入网络就近提供边缘计算和缓存功能,创造了一个具有低延迟,高性能的服务环境。
发明内容
本发明的目的在于提供一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法,能够在保护公司数据隐私的同时,实现跨平台的多模态舆情分析。
为了达到上述目的,本发明提供以下技术方案:
本发明提供一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法,包括:
S1.基于边缘计算的多模态舆情数据处理方法,来处理各公司内部的多模态舆情数据,形成多模态舆情数据样本;
S2.采用基于联邦学习的跨平台情感分析模型训练方法,进行跨平台的情感分析训练,获得舆情分析的模型。
所述步骤S1中,基于边缘计算的多模态舆情数据处理方法,包括以下步骤:
1.1)、确定所需要优化的约束条件和目标函数;
1.2)、各公司实时采集属于自己用户的舆情数据,以便进行多模态舆情数据处理;
1.3)、将实时采集的舆情数据向量化,将其转换为计算复杂度向量Ut;
1.4)、建立一个深度强化学习模型,其中强化学习模型的智能体为深度神经网络DNN,并随机初始化网络参数θ0;
1.5)、将第t时刻采集到的计算复杂度向量Ut实时输入DNN网络,通过DNN网络计算得到卸载决策向量At和资源分配向量Ft;
1.6)、根据卸载决策向量At和资源分配向量Ft,在本地和边缘服务器上分配相应的计算资源对多模态舆情数据进行处理;
1.8)、循环执行步骤1.5)至步骤1.7),然后每隔10个周期训练一次DNN网络。
进一步,步骤1.1)中,目标函数为使得多模态舆情数据的处理时间最短:
其中,Fi表示第i个用户需要处理的多模态舆情数据的计算量;Di第i个用户需要处理的多模态舆情数据的数据量;ai表示卸载策略;fi表示移动边缘计算服务器分配给第i个用户进行多模态舆情数据处理的计算资源;fiL表示第i个用户的数据在本地执行时,本地分配的计算资源;ri表示第i个用户的传输速率,由以下公式计算:
约束条件如下:
其中,C1表示当前用户收集到的舆情信息必须选择卸载至边缘端进行处理或者留在本地处理;ai表示卸载策略,0代表本地处理,1代表卸载至边缘服务器进行处理;
C3表示分配给所有用户进行多模态舆情数据处理的计算资源总量不得超过当前边缘端服务器上所能够分配用于多模态舆情数据处理的计算资源总量;ai表示卸载策略,fi是边缘服务器分配给第i个用户多模态舆情数据处理的计算资源,是当前边缘端所能够分配用于舆情数据处理的计算资源总量。
进一步,步骤1.2)中,各公司可以利用现有的方法采集属于自己用户的舆情数据。优选的,采用网络爬虫的方法去抓取各自用户的舆情数据。
进一步,步骤1.3)中,复杂度向量Ut=[ui,t],ui,t为当前t时刻归一化后的每个多模态舆情数据计算量的大小。
进一步,步骤1.5)中,通过DNN网络计算得到卸载决策向量At=[ai,t]和资源分配向量Ft=[fi,t]:ai,t为t时刻第i用户的卸载决策;fi,t为t时刻移动边缘服务器为第i用户分配的计算资源;
其中,DNN网络的第j层网络输出根据下式计算:
Oj=g(Oj-1wj+bj)
式中,Oj是DNN网络第j层输出,wj是第j层的权重,bj是第j层偏置,g(·)为DNN网络的激活函数。
进一步,步骤1.8)中,DNN网络的训练过程为:首先,从样本库中随机抽取n个样本去训练一次网络;然后,根据每个样本的实际输出与期望输出的误差Li,Li为均方误差,计算DNN网络的损失函数L:
其中,n为随机抽取的样本数量,接着采用梯度下降法更新当前网络参数θt:
所述步骤S2中,基于联邦学习的跨平台情感分析模型训练方法,包括以下步骤:
2.1)各公司将处理后的多模态舆情数据样本进行标准化,得到统一的格式;
2.2)在云端服务器上搭建一个总的情感分析神经网络,并随机初始化神经网络的参数WT;
2.3)各公司在各自的边缘服务器上搭建与云端服务器一致的镜像神经网络;
2.4)云端服务器将网络参数WT传给各个公司用以初始化各镜像神经网络的参数Wk;
2.5)各公司用自己的多模态舆情数据样本Dk来单独训练隶属于该公司的网络模型;
2.6)每隔一定训练的周期,各公司单独回传训练后的网络参数Wk给云端服务器,云端服务器根据Wk来整体更新WT,具体公式为:
其中W'T为云端服务器更新后的网络参数,K为镜像神经网络的个数;
2.7)云端服务器将更新后的W'T发送给各个公司更新各自的镜像神经网络参数Wk',然后转到步骤2.5)。
进一步,步骤2.5)中,训练过程可以采用梯度下降法,损失函数采用均方根误差。
由于各公司仅只回传网络模型参数Wk至云端服务器,从而实现在保护不同公司数据隐私的同时,能够实现跨平台的多模态舆情分析。
联邦学习技术可以同时有效的帮助多个机构在不相互泄露用户信息和数据的情况下,实现对各自用户数据的建模以及分析,原始用户数据不需要传递出服务器区域,保护了服务区域内的数据隐私。
与现有技术相比,本发明具有以下优点:
(1)本发明将采集到的多模态舆情数据卸载至边缘服务器进行数据处理,大大提升了多模态舆情数据的处理速度。同时也解决了本地资源不足难以实现多模态舆情处理的客观情况。
(2)本发明可以同时在考虑能耗,资源等各项约束的条件下实现多模态舆情数据的快速处理。
(3)本发明通过联邦学习的方法,将多个不同公司中的多模态舆情数据同时进行学习,得到统一的情感分析神经网络模型,实现了多模态舆情数据的跨平台分析。
(4)本发明在进行跨平台多模态舆情数据分析的同时,由于各公司神经网络的数据不需要互相分享,仅分享神经网络的模型参数,很好的保护了各自公司用户的数据隐私。
附图说明
图1是本发明基于联邦学习和边缘计算的跨平台多模态舆情分析方法的功能模块图。
图2是本发明基于联邦学习和边缘计算的跨平台多模态舆情分析方法的流程图。
具体实施方式
下面结合具体实施例和附图对本发明进行进一步说明:
实施例1
如图1~2所示,本发明基于联邦学习和边缘计算的跨平台多模态舆情分析方法,包含以下步骤:
S1、采用边缘计算的方法来处理各公司内部的多模态舆情数据,形成多模态舆情数据样本;
S2、采用联邦学习进行跨平台的情感分析训练,获得舆情分析的模型。整个方法的步骤如下:
基于边缘计算的多模态舆情数据处理方法:
第一步,明确所需要优化的约束条件和目标函数,目标函数为使得多模态舆情数据的处理时间最短:
其中,Fi表示第i个用户需要处理的多模态舆情数据的计算量,Di第i个用户需要处理的多模态舆情数据的数据量,ai表示卸载策略,fi表示移动边缘计算服务器分配给第i个用户进行多模态舆情数据处理的计算资源,fiL表示第i个用户的数据在本地执行时,本地分配的计算资源,ri表示第i个用户的传输速率,由以下公式计算:
约束条件如下:
其中,C1表示当前用户收集到的舆情信息必须选择卸载至边缘端进行处理或者留在本地处理。ai表示卸载策略,0代表本地处理,1代表卸载至边缘服务器进行处理。
C3表示分配给所有用户进行多模态舆情数据处理的计算资源总量不得超过当前边缘端服务器上所能够分配用于多模态舆情数据处理的计算资源总量。fi是边缘服务器分配给第i个用户多模态舆情数据处理的计算资源。是当前边缘端所能够分配用于舆情数据处理的计算资源总量。
第二步,各公司实时采集属于自己用户的舆情数据,以便进一步进行多模态舆情数据处理。此处利用各种方式采集,包括但不限于使用网络爬虫去抓取各自用户的舆情数据。
第三步,将实时采集的舆情数据向量化,将其转换为计算复杂度向量Ut=[ui,t],ui,t为当前t时刻归一化后的每个多模态舆情数据计算量的大小。
第四步,建立一个深度强化学习模型,其中强化学习模型的智能体为深度神经网络DNN,并随机初始化网络参数θ0。
第五步,将第t时刻采集到的计算复杂度向量Ut实时输入DNN网络,通过DNN网络计算得到卸载决策向量At=[ai,t]和资源分配向量Ft=[fi,t]。
其中,ai,t为t时刻第i用户的卸载决策;fi,t为t时刻移动边缘服务器为第i用户分配的计算资源;
DNN网络的第j层网络输出根据下式计算:
Oj=g(Oj-1wj+bj)
式中,Oj是DNN网络第j层输出,wj是第j层的权重,bj是第j层偏置,g(·)为DNN网络的激活函数。
第六步,根据卸载决策向量At和资源分配向量Ft,在本地和边缘服务器上分配相应的计算资源对多模态舆情数据进行处理。
第七步,将获得的卸载决策向量At和资源分配向量Ft作为KNN算法的初始数据,根据各项约束条件和目标函数对输入的At和Ft进行优化,选取最优的和构成样本数据(样本的输入为Ut,输出为对应的和),并存入固定大小的样本库,样本库中数据的存储顺序遵循先入先出的原则。
第八步,循环执行第五至七步,然后每隔10个周期训练一次DNN网络。具体网络的训练过程为:首先,从样本库中随机抽取n个样本去训练一次网络;然后,根据每个样本的实际输出与期望输出的误差Li(Li为均方误差),计算DNN网络的损失函数L:
其中,n为随机抽取的样本数量。接着采用梯度下降法更新当前网络参数θt:
基于联邦学习的跨平台情感分析模型训练方法:
第一步,各公司将处理后的多模态舆情数据样本进行标准化,得到统一的格式。
第二步,在云端服务器上搭建一个总的情感分析神经网络,并随机初始化神经网络的参数WT。
第三步,各公司在各自的边缘服务器上搭建与云端服务器一致的镜像神经网络。
第四步,云端服务器将网络参数WT传给各个公司用以初始化各镜像神经网络的参数Wk。
第五步,各公司用自己的多模态舆情数据样本Dk来单独训练隶属于该公司的网络模型。训练过程可以采用梯度下降法,损失函数采用均方根误差。
第六步,每隔一定训练的周期,各公司单独回传训练后的网络参数Wk给云端服务器,云端服务器根据Wk来整体更新WT,具体公式为:
其中,W'T为云端服务器更新后的网络参数,K为镜像神经网络的个数。
第七步,云端服务器将更新后的W'T发送给各个公司更新各自的镜像神经网络参数Wk'.然后转到步骤五。
由于各公司仅只回传网络模型参数Wk至云端服务器,从而实现在保护不同公司数据隐私的同时,能够实现跨平台的多模态舆情分析。
实施例2
本实施例针对多模态舆情分析任务的卸载决策和资源分配进行了实验,目标函数为使得多模态舆情数据的处理时间(时延)最短,比较的算法包括了随机算法(随机卸载任务),贪婪算法(每个用户选择对自己最优的卸载决策)和本地执行算法(本地执行任务),实验的结果如下:
算法 | 时延(s) |
本发明算法 | 25.48 |
随机算法 | 48.62 |
贪婪算法 | 33.28 |
本地执行算法 | 57.21 |
由实验结果可知,本发明算法能够根据多模态任务的复杂度智能地进行卸载决策和资源分配,获得了最小的任务处理总时延。
本实施例针对跨平台情感分析模型训练也进行了实验,比较了基于联邦学习的情感分析模型和基于各公司数据独立学习(不进行云端权值更新)的情感分析模型的测试性能,测试的性能指标为准确率,公司数量为4,实验结果如下:
算法 | 准确率 |
联邦学习 | 92% |
独立学习(公司1) | 88% |
独立学习(公司2) | 75% |
独立学习(公司3) | 86% |
独立学习(公司4) | 85% |
由实验结果可知,在保护数据隐私的前提下,各个公司只能学习自己平台中的多模态舆情数据,因此准确率较低,而联邦学习通过云端权值更新的方式获得了更高的情感分析准确率。
Claims (10)
1.一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法,其特征在于包括:
S1.基于边缘计算的多模态舆情数据处理方法,来处理各公司内部的多模态舆情数据,形成多模态舆情数据样本;
S2.采用基于联邦学习的跨平台情感分析模型训练方法,进行跨平台的情感分析训练,获得舆情分析的模型。
2.根据权利要求1所述基于联邦学习和边缘计算的跨平台多模态舆情分析方法,其特征在于,所述步骤S1中,基于边缘计算的多模态舆情数据处理方法,包括以下步骤:
1.1)、确定所需要优化的约束条件和目标函数;
1.2)、各公司实时采集属于自己用户的舆情数据,以便进行多模态舆情数据处理;
1.3)、将实时采集的舆情数据向量化,将其转换为计算复杂度向量Ut;
1.4)、建立一个深度强化学习模型,其中强化学习模型的智能体为深度神经网络DNN,并随机初始化网络参数θ0;
1.5)、将第t时刻采集到的计算复杂度向量Ut实时输入DNN网络,通过DNN网络计算得到卸载决策向量At和资源分配向量Ft;
1.6)、根据卸载决策向量At和资源分配向量Ft,在本地和边缘服务器上分配相应的计算资源对多模态舆情数据进行处理;
1.8)、循环执行步骤1.5)至步骤1.7),然后每隔10个周期训练一次DNN网络。
3.根据权利要求2所述基于联邦学习和边缘计算的跨平台多模态舆情分析方法,其特征在于,步骤1.1)中,目标函数为使得多模态舆情数据的处理时间最短:
其中,Fi表示第i个用户需要处理的多模态舆情数据的计算量;Di第i个用户需要处理的多模态舆情数据的数据量;ai表示卸载策略;fi表示移动边缘计算服务器分配给第i个用户进行多模态舆情数据处理的计算资源;fiL表示第i个用户的数据在本地执行时,本地分配的计算资源;ri表示第i个用户的传输速率,由以下公式计算:
约束条件如下:
其中,C1表示当前用户收集到的舆情信息必须选择卸载至边缘端进行处理或者留在本地处理;ai表示卸载策略,0代表本地处理,1代表卸载至边缘服务器进行处理;
4.根据权利要求2所述基于联邦学习和边缘计算的跨平台多模态舆情分析方法,其特征在于,步骤1.2)中,采用网络爬虫的方法去抓取各自用户的舆情数据。
5.根据权利要求2所述基于联邦学习和边缘计算的跨平台多模态舆情分析方法,其特征在于,步骤1.3)中,复杂度向量Ut=[ui,t],ui,t为当前t时刻归一化后的每个多模态舆情数据计算量的大小。
6.根据权利要求2所述基于联邦学习和边缘计算的跨平台多模态舆情分析方法,其特征在于,步骤1.5)中,通过DNN网络计算得到卸载决策向量At=[ai,t]和资源分配向量Ft=[fi,t]:ai,t为t时刻第i用户的卸载决策;fi,t为t时刻移动边缘服务器为第i用户分配的计算资源;
其中,DNN网络的第j层网络输出根据下式计算:
Oj=g(Oj-1wj+bj)
式中,Oj是DNN网络第j层输出,wj是第j层的权重,bj是第j层偏置,g(·)为DNN网络的激活函数。
9.根据权利要求1所述基于联邦学习和边缘计算的跨平台多模态舆情分析方法,其特征在于,所述步骤S2中,基于联邦学习的跨平台情感分析模型训练方法,包括以下步骤:
2.1)各公司将处理后的多模态舆情数据样本进行标准化,得到统一的格式;
2.2)在云端服务器上搭建一个总的情感分析神经网络,并随机初始化神经网络的参数WT;
2.3)各公司在各自的边缘服务器上搭建与云端服务器一致的镜像神经网络;
2.4)云端服务器将网络参数WT传给各个公司用以初始化各镜像神经网络的参数Wk;
2.5)各公司用自己的多模态舆情数据样本Dk来单独训练隶属于该公司的网络模型;
2.6)每隔一定训练的周期,各公司单独回传训练后的网络参数Wk给云端服务器,云端服务器根据Wk来整体更新WT,具体公式为:
其中W'T为云端服务器更新后的网络参数,K为镜像神经网络的个数;
2.7)云端服务器将更新后的W'T发送给各个公司更新各自的镜像神经网络参数Wk',然后转到步骤2.5)。
10.根据权利要求9所述基于联邦学习和边缘计算的跨平台多模态舆情分析方法,其特征在于,步骤2.5)中,训练过程可以采用梯度下降法,损失函数采用均方根误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110756064.4A CN113642700A (zh) | 2021-07-05 | 2021-07-05 | 基于联邦学习和边缘计算的跨平台多模态舆情分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110756064.4A CN113642700A (zh) | 2021-07-05 | 2021-07-05 | 基于联邦学习和边缘计算的跨平台多模态舆情分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642700A true CN113642700A (zh) | 2021-11-12 |
Family
ID=78416681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110756064.4A Pending CN113642700A (zh) | 2021-07-05 | 2021-07-05 | 基于联邦学习和边缘计算的跨平台多模态舆情分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642700A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114265631A (zh) * | 2021-12-09 | 2022-04-01 | 浙江工业大学 | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 |
CN114401154A (zh) * | 2022-03-24 | 2022-04-26 | 华控清交信息科技(北京)有限公司 | 一种数据处理方法、装置、密文计算引擎和用于数据处理的装置 |
CN114465900A (zh) * | 2022-03-01 | 2022-05-10 | 北京邮电大学 | 基于联邦边缘学习的数据共享时延优化方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190174514A1 (en) * | 2017-12-01 | 2019-06-06 | Renovo Motors, Inc. | Systems and methods for providing resource analysis for autonomous mobility on demand |
CN110909865A (zh) * | 2019-11-18 | 2020-03-24 | 福州大学 | 边缘计算中基于分层张量分解的联邦学习方法 |
CN111866869A (zh) * | 2020-07-07 | 2020-10-30 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
US20200351344A1 (en) * | 2019-04-30 | 2020-11-05 | EMC IP Holding Company LLC | Data tiering for edge computers, hubs and central systems |
US10878505B1 (en) * | 2020-07-31 | 2020-12-29 | Agblox, Inc. | Curated sentiment analysis in multi-layer, machine learning-based forecasting model using customized, commodity-specific neural networks |
CN112784362A (zh) * | 2021-01-25 | 2021-05-11 | 南京航空航天大学 | 一种用于无人机辅助边缘计算的混合优化方法及系统 |
CN112817653A (zh) * | 2021-01-22 | 2021-05-18 | 西安交通大学 | 一种基于云边端的联邦学习计算卸载计算系统及方法 |
-
2021
- 2021-07-05 CN CN202110756064.4A patent/CN113642700A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190174514A1 (en) * | 2017-12-01 | 2019-06-06 | Renovo Motors, Inc. | Systems and methods for providing resource analysis for autonomous mobility on demand |
US20200351344A1 (en) * | 2019-04-30 | 2020-11-05 | EMC IP Holding Company LLC | Data tiering for edge computers, hubs and central systems |
CN110909865A (zh) * | 2019-11-18 | 2020-03-24 | 福州大学 | 边缘计算中基于分层张量分解的联邦学习方法 |
CN111866869A (zh) * | 2020-07-07 | 2020-10-30 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
US10878505B1 (en) * | 2020-07-31 | 2020-12-29 | Agblox, Inc. | Curated sentiment analysis in multi-layer, machine learning-based forecasting model using customized, commodity-specific neural networks |
CN112817653A (zh) * | 2021-01-22 | 2021-05-18 | 西安交通大学 | 一种基于云边端的联邦学习计算卸载计算系统及方法 |
CN112784362A (zh) * | 2021-01-25 | 2021-05-11 | 南京航空航天大学 | 一种用于无人机辅助边缘计算的混合优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
KAI-HSIANG LIU ETAL: "Fine-Grained Offloading for Multi-Access Edge Computing with Actor-Critic Federated Learning", 2021 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC), 5 May 2021 (2021-05-05), pages 1 - 6 * |
莫慧凌等: "基于联邦学习的多源异构数据融合算法", 计算机研究与发展, 23 March 2021 (2021-03-23), pages 478 - 487 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114265631A (zh) * | 2021-12-09 | 2022-04-01 | 浙江工业大学 | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 |
CN114265631B (zh) * | 2021-12-09 | 2024-04-05 | 浙江工业大学 | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 |
CN114465900A (zh) * | 2022-03-01 | 2022-05-10 | 北京邮电大学 | 基于联邦边缘学习的数据共享时延优化方法及装置 |
CN114401154A (zh) * | 2022-03-24 | 2022-04-26 | 华控清交信息科技(北京)有限公司 | 一种数据处理方法、装置、密文计算引擎和用于数据处理的装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN113642700A (zh) | 基于联邦学习和边缘计算的跨平台多模态舆情分析方法 | |
CN110263280B (zh) | 一种基于多视图的动态链路预测深度模型及应用 | |
WO2020233130A1 (zh) | 一种深度神经网络压缩方法及相关设备 | |
CN113435472A (zh) | 车载算力网络用户需求预测方法、系统、设备、介质 | |
CN111629380B (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
Zhu et al. | Foundation study on wireless big data: Concept, mining, learning and practices | |
CN111242282A (zh) | 基于端边云协同的深度学习模型训练加速方法 | |
CN111339818B (zh) | 一种人脸多属性识别系统 | |
US20220414432A1 (en) | Method and system for splitting and bit-width assignment of deep learning models for inference on distributed systems | |
CN112100155A (zh) | 一种云边协同的数字孪生模型组装与融合方法 | |
CN110968426A (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
CN109788489A (zh) | 一种基站规划方法及装置 | |
CN113098714A (zh) | 一种基于深度强化学习的低时延网络切片的方法 | |
CN115358487A (zh) | 面向电力数据共享的联邦学习聚合优化系统及方法 | |
WO2023124947A1 (zh) | 一种任务处理方法、装置及相关设备 | |
CN104008182A (zh) | 社交网络交流影响力的测定方法及系统 | |
CN115686846B (zh) | 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法 | |
CN114169506A (zh) | 一种基于工业物联网平台的深度学习边缘计算系统框架 | |
CN114064394A (zh) | 基于边缘计算的安全监控方法、装置及终端设备 | |
Shimonishi et al. | Energy optimization of distributed video processing system using genetic algorithm with bayesian attractor model | |
CN116436980A (zh) | 一种实时视频任务端网边协同调度方法及装置 | |
CN110768825A (zh) | 一种基于网络大数据分析的业务流量预测方法 | |
CN115965078A (zh) | 分类预测模型训练方法、分类预测方法、设备及存储介质 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 |
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 |