CN113762533A - 无线边缘网络中对数据污染具有鲁棒性的联邦学习方法 - Google Patents

无线边缘网络中对数据污染具有鲁棒性的联邦学习方法 Download PDF

Info

Publication number
CN113762533A
CN113762533A CN202111052964.7A CN202111052964A CN113762533A CN 113762533 A CN113762533 A CN 113762533A CN 202111052964 A CN202111052964 A CN 202111052964A CN 113762533 A CN113762533 A CN 113762533A
Authority
CN
China
Prior art keywords
client
global
parameters
order momentum
momentum
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.)
Granted
Application number
CN202111052964.7A
Other languages
English (en)
Other versions
CN113762533B (zh
Inventor
李文玲
李钰浩
刘杨
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202111052964.7A priority Critical patent/CN113762533B/zh
Publication of CN113762533A publication Critical patent/CN113762533A/zh
Application granted granted Critical
Publication of CN113762533B publication Critical patent/CN113762533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种无线边缘网络中对数据污染具有鲁棒性的联邦学习方法，包括以下步骤：搭建模型结构，并初始化全局参数；中心服务器将全局参数广播至无线边缘网络的客户端，客户端以全局参数作为本轮训练初值；各客户端计算梯度值
Figure DDA0003250319430000011
并进一步更新偏差系数
Figure DDA0003250319430000012
各客户端更新迭代系数
Figure DDA0003250319430000013
各客户端更新一阶动量
Figure DDA0003250319430000014
与二阶动量
Figure DDA0003250319430000015
各客户端更新模型参数
Figure DDA0003250319430000016
重复步骤三至六，至迭代次数达到预设值；各客户端上传本地参数
Figure DDA0003250319430000017
至中心服务器；中心服务器接收各客户端的本地参数并聚合，得到更新后的全局参数；重复步骤二至九，直至全局模型性能达到要求。该联邦学习方法能够提高算法面对有毒数据时的鲁棒性，并减少由本地模型差异性造成的性能影响。

Description

无线边缘网络中对数据污染具有鲁棒性的联邦学习方法
技术领域
本发明属于联邦学习领域，具体涉及无线边缘网络中客户端数据集受污染时的联邦学习方法，在客户端数据受污染时具有鲁棒性，仍能使模型获得较好的性能。
背景技术
数据是机器学习的基础，作为人工智能的主要方向，机器学习需要数据去训练人工智能模型。而在大多数行业中,由于行业竞争、隐私安全、行政手续复杂等问题，数据常常是以孤岛的形式存在的，而只利用数据孤岛内的数据训练所得的人工智能模型性能往往不能满足任务需求。针对数据孤岛和数据隐私的两难问题，联邦学习方法框架应运而生。
在联邦学习方法框架下，有多个相互独立的客户端和一个中心服务器，客户端有不同且不可共享的本地数据。训练过程中，服务器向客户端广播全局参数，客户端将更新下载得到的全局模型参数用于自己的数据集上进行训练，然后只上传本地参数到服务器进行聚合，经过多次“下载-训练-上传-聚合”的过程得到最终模型参数。显然，在联邦学习框架下客户端的数据得到了保护，数据孤岛的问题也得以解决。
联邦学习方法的经典方法是联邦平均，在每个客户端上传参数至服务器后，服务器对局部参数进行加权平均，得到全局参数后服务器再将全局参数广播给各客户端。Adam算法作为SGD的一种变形，具有收敛速度快、超参数易调整的优点。利用梯度信息求取一阶、二阶动量可以使参数快速收敛，并且使学习率自适应调整，因此Adam算法被广泛应用于联邦学习方法的本地训练中。但是，在实际场景中，本地客户端的数据集若由于网络攻击或其他原因受到污染，训练过程中计算得到的随机梯度必然有异常值产生。而Adam算法在参数更新时由于一阶、二阶动量对梯度值的依赖性，使其对异常值的鲁棒性极差。此外，不同的客户端训练生成的本地模型通常具有差异性，在这种差异性下聚合得到的全局模型性能不稳定。
发明内容
有鉴于此，本发明提供一种无线边缘网络中的对数据污染具有鲁棒性的联邦学习方法，以提高算法面对有毒数据时的鲁棒性，并减少由本地模型差异性造成的性能影响。
具体技术方案如下：
一种无线边缘网络中对数据污染具有鲁棒性的联邦学习方法，包括以下步骤：
步骤一：搭建用于学习的模型结构，并初始化全局参数，包括：全局模型参数、全局一阶动量、全局二阶动量；
步骤二：中心服务器将全局参数广播至无线边缘网络的客户端，客户端以全局参数作为本轮训练的初始值；
步骤三：所述客户端利用历史时刻模型参数
Figure BDA0003250319410000021
获取在本地数据集上的梯度值，并获取梯度值与历史一阶动量的偏差系数
Figure BDA0003250319410000022
步骤四：所述客户端更新二阶动量迭代系数
Figure BDA0003250319410000023
步骤五：所述客户端利用偏差系数
Figure BDA0003250319410000024
迭代系数
Figure BDA0003250319410000025
梯度值
Figure BDA0003250319410000026
与历史动量值
Figure BDA0003250319410000027
更新一阶动量
Figure BDA0003250319410000028
与二阶动量
Figure BDA0003250319410000029
步骤六：所述客户端利用更新后的一、二阶动量更新模型参数
Figure BDA00032503194100000210
步骤七：重复步骤三至步骤六，直至迭代次数达到预设迭代阈值；
步骤八：所述客户端上传本地模型参数
Figure BDA00032503194100000211
一阶动量
Figure BDA00032503194100000212
及二阶动量
Figure BDA00032503194100000213
至中心服务器；
步骤九：中心服务器接收所述客户端的本地参数并进行参数聚合，得到更新后的全局参数xt、mt、vt；
步骤十：重复步骤二至步骤九，直至全局模型性能达到要求。
步骤二中所述客户端以全局参数作为本轮训练的初始值表示如下：
Figure BDA00032503194100000214
Figure BDA00032503194100000215
Figure BDA00032503194100000216
其中，下标i表示第i个客户端，上标t′表示本轮训练的初始时刻，xt′为初始时刻全局模型参数，mt′为初始时刻全局一阶动量，vt′为初始时刻全局二阶动量。
步骤三中所述偏差系数
Figure BDA00032503194100000217
更新方式表示如下：
Figure BDA00032503194100000218
其中，下标i表示第i个客户端，上标t表示当前迭代时刻，d为向量维度，下标j表示向量的第j个分量，g表示梯度值，m表示一阶动量，v表示二阶动量，梯度值
Figure BDA00032503194100000219
Figure BDA00032503194100000220
Figure BDA00032503194100000221
为t时刻第i个客户端的随机采样数据，Di为第i个客户端的本地数据集，
Figure BDA0003250319410000031
为t-1时刻第i个客户端的模型参数，fi为第i个客户端的本地损失函数。
步骤四中所述迭代系数
Figure BDA0003250319410000032
更新方式表示如下：
Figure BDA0003250319410000033
其中γ为预设常数。
步骤五中所述一阶动量
Figure BDA0003250319410000034
与二阶动量
Figure BDA0003250319410000035
更新方式表示如下：
Figure BDA0003250319410000036
Figure BDA0003250319410000037
步骤六中所述模型参数
Figure BDA0003250319410000038
更新方式表示如下：
Figure BDA0003250319410000039
其中，vt′为初始时刻全局二阶动量，α为预设全局学习率。
步骤九中所述参数聚合方式为加权平均，涉及参数为一阶动量
Figure BDA00032503194100000310
二阶动量
Figure BDA00032503194100000311
与模型参数
Figure BDA00032503194100000312
具体表示如下：
Figure BDA00032503194100000313
Figure BDA00032503194100000314
Figure BDA00032503194100000315
其中，pi为第i个客户端的权重，N为客户端的数量。
本发明与现有技术相比所具有的有益效果：
1.本发明利用偏差系数
Figure BDA00032503194100000316
对异常梯度值进行检测，并且在出现异常值时对更新方向进行控制。具体表现为：当
Figure BDA00032503194100000317
为异常值时，
Figure BDA00032503194100000318
趋近于1，则
Figure BDA00032503194100000319
进而使模型参数更新方向不受异常值影响，体现了本发明对异常梯度值的鲁棒性，从而降低了有毒数据对模型性能的影响。
2.本发明利用
Figure BDA00032503194100000320
使算法在迭代后期计算二阶动量并利用其调整学习率时减少对梯度值的依赖，训练后期
Figure BDA00032503194100000321
趋近于1，使二阶动量满足
Figure BDA00032503194100000322
保证了训练后期梯度值较小造成学习率过大的问题，同时也排除了异常值的影响，体现了本发明对异常梯度值的鲁棒性，并提高了模型的性能。
3.本发明将全局二阶动量作为更新步长的分母，在不同的客户端的本地训练过程中使用相同的学习率，更新过程中本地模型差异变小，使模型性能更稳定。
附图说明
图1为本发明无线边缘网络的结构示意图。
图2为本发明无线边缘网络中的对数据污染具有鲁棒性的联邦学习方法的流程图。
图3为本发明方法与现有技术实验结果对比。
具体实施方式
下面结合附图和实施例对本发明进行进一步的详细介绍。
图1为本发明无线边缘网络的系统结构图，包括一个中心服务器和N个客户端，数据分布在N个客户端中，客户端与服务器只传递参数不传递数据，其中服务器采用全局模型，客户端采用本地模型；为获得性能更好的全局模型，采用联邦学习进行模型训练。
图2为本发明无线边缘网络中的对数据污染具有鲁棒性的联邦学习方法的流程图。开始时对全局参数进行初始化并进行广播，N个客户端利用下载到的参数在本地数据集上进行本地训练。经过本地训练后，客户端将本地参数上传至服务器进行参数的加权平均，并对此时所得全局模型进行评估，若满足性能要求则算法结束，否则继续循环。具体包括以下步骤：
步骤一：搭建用于学习的模型结构，并初始化全局参数，包括：全局模型参数、全局一阶动量、全局二阶动量；
步骤二：中心服务器将全局参数广播至无线边缘网络的客户端设备，客户端以全局参数作为本轮训练的初始值；
步骤三：各客户端利用历史时刻模型参数
Figure BDA0003250319410000041
获取在本地数据集上的梯度值，并获取梯度值与历史一阶动量的偏差系数
Figure BDA0003250319410000042
步骤四：各客户端更新二阶动量迭代系数
Figure BDA0003250319410000043
步骤五：各客户端利用偏差系数
Figure BDA0003250319410000044
迭代系数
Figure BDA0003250319410000045
梯度值
Figure BDA0003250319410000046
与历史动量值
Figure BDA0003250319410000047
Figure BDA0003250319410000048
更新一阶动量
Figure BDA0003250319410000049
与二阶动量
Figure BDA00032503194100000410
步骤六：各客户端利用更新后的一、二阶动量更新模型参数
Figure BDA00032503194100000411
步骤七：重复步骤三至步骤六，直至迭代次数达到预设迭代阈值；
步骤八：各客户端上传本地模型参数
Figure BDA00032503194100000412
一阶动量
Figure BDA00032503194100000413
及二阶动量
Figure BDA00032503194100000414
至中心服务器；
步骤九：中心服务器接收各客户端的本地参数并进行参数聚合，得到更新后的全局参数xt、mt、vt；
步骤十：重复步骤二至步骤九，直至全局模型性能达到要求。
以下对本地训练的过程进行说明：
本地训练开始时客户端获取全局参数，包括全局模型参数、全局一阶动量、全局二阶动量，作为本地训练的初始参数值：
Figure BDA0003250319410000051
Figure BDA0003250319410000052
Figure BDA0003250319410000053
其中，下标i表示第i个客户端，上标t′表示本轮训练的初始时刻，xt′为初始时刻全局模型参数，mt′为初始时刻全局一阶动量，vt′为初始时刻全局二阶动量。。
以第i个客户端为例，在每次迭代开始时在本地数据集内进行随机采样得到部分数据，并计算梯度值
Figure BDA0003250319410000054
Figure BDA0003250319410000055
为t时刻第i个客户端的随机采样数据，Di为第i个客户端的本地数据集，
Figure BDA0003250319410000056
为t-1时刻第i个客户端的模型参数，fi为第i个客户端的本地损失函数。利用此梯度值与上一步一阶动量构建下式得到
Figure BDA0003250319410000057
Figure BDA0003250319410000058
其中，下标i表示第i个客户端，上标t表示当前迭代时刻，d为向量维度，下标j表示向量的第j个分量，g表示梯度值，m表示一阶动量，v表示二阶动量。利用迭代时刻t构建下式计算得到
Figure BDA0003250319410000059
Figure BDA00032503194100000510
其中γ为预设常数。构建下式获得当前迭代时刻的一阶动量
Figure BDA00032503194100000511
与二阶动量
Figure BDA00032503194100000512
Figure BDA00032503194100000513
Figure BDA00032503194100000514
由此可见，当异常梯度值出现时，
Figure BDA00032503194100000515
与
Figure BDA00032503194100000516
差异性增大，则
Figure BDA00032503194100000517
趋近于1，此时
Figure BDA00032503194100000518
受
Figure BDA00032503194100000519
影响减小，保证了更新方向不受异常值影响，故异常值得以控制。同时，当训练步入后期，
Figure BDA00032503194100000520
趋近于1，这保证了在参数接近最优值时学习率不会因异常值出现而过大或过小，也增强了算法鲁棒性。
利用历史迭代时刻本地模型参数
Figure BDA00032503194100000521
与全局学习率α，一阶动量
Figure BDA00032503194100000522
初始时刻全局二阶动量vt′计算得到当前时刻本地模型参数
Figure BDA00032503194100000523
Figure BDA0003250319410000061
在更新本地参数时，采用全局二阶动量作为学习率的分母，这保证了不同客户端有相同的更新步长，使不同客户端的本地模型差异性减小，进而提升全局模型的性能。
当本地迭代次数达到预设值时上传本地参数并进行模型融合：
Figure BDA0003250319410000062
Figure BDA0003250319410000063
Figure BDA0003250319410000064
其中，pi为第i个客户端的权重。
实际中，将MNIST手写数字训练集平均分配至十个客户端，同时以50％的概率在每张图片one-hot标签加上均值为0、方差为0.4的高斯噪声，训练逻辑回归模型。全局模型在测试集上的结果如图3所示，本发明所提出的方法准确度与稳定性都优于现有技术。通过本实例所述方法，实现了在受污染数据集下进行模型训练，最大程度的消除了有毒数据对模型性能的影响，精度高并具有稳定性。
以上所述仅为本发明的具体实施方式，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种无线边缘网络中对数据污染具有鲁棒性的联邦学习方法，其特征在于，包括以下步骤：
步骤一：搭建用于学习的模型结构，并初始化全局参数，包括：全局模型参数、全局一阶动量、全局二阶动量；
步骤二：中心服务器将全局参数广播至无线边缘网络的客户端，客户端以全局参数作为本轮训练的初始值；
步骤三：所述客户端利用历史时刻模型参数
Figure FDA0003250319400000011
获取在本地数据集上的梯度值，并获取梯度值与历史一阶动量的偏差系数
Figure FDA0003250319400000012
步骤四：所述客户端更新二阶动量迭代系数
Figure FDA0003250319400000013
步骤五：所述客户端利用偏差系数
Figure FDA0003250319400000014
迭代系数
Figure FDA0003250319400000015
梯度值
Figure FDA0003250319400000016
与历史动量值
Figure FDA0003250319400000017
更新一阶动量
Figure FDA0003250319400000018
与二阶动量
Figure FDA0003250319400000019
步骤六：所述客户端利用更新后的一、二阶动量更新模型参数
Figure FDA00032503194000000110
步骤七：重复步骤三至步骤六，直至迭代次数达到预设迭代阈值；
步骤八：所述客户端上传本地模型参数
Figure FDA00032503194000000111
一阶动量
Figure FDA00032503194000000112
及二阶动量
Figure FDA00032503194000000113
至中心服务器；
步骤九：中心服务器接收所述客户端的本地参数并进行参数聚合，得到更新后的全局参数xt、mt、vt；
步骤十：重复步骤二至步骤九，直至全局模型性能达到要求。
2.根据权利要求1所述的联邦学习方法，其特征在于，步骤二中所述客户端以全局参数作为本轮训练的初始值表示如下：
Figure FDA00032503194000000114
Figure FDA00032503194000000115
Figure FDA00032503194000000116
其中，下标i表示第i个客户端，上标t′表示本轮训练的初始时刻，xt′为初始时刻全局模型参数，mt′为初始时刻全局一阶动量，vt′为初始时刻全局二阶动量。
3.根据权利要求1所述的联邦学习方法，其特征在于，步骤三中所述偏差系数
Figure FDA00032503194000000117
更新方式表示如下：
Figure FDA00032503194000000118
其中，下标i表示第i个客户端，上标t表示当前迭代时刻，d为向量维度，下标j表示向量的第j个分量，g表示梯度值，m表示一阶动量，v表示二阶动量，梯度值
Figure FDA0003250319400000021
Figure FDA0003250319400000022
Figure FDA0003250319400000023
为t时刻第i个客户端的随机采样数据，Di为第i个客户端的本地数据集，
Figure FDA0003250319400000024
为t-1时刻第i个客户端的模型参数，fi为第i个客户端的本地损失函数。
4.根据权利要求1所述的联邦学习方法，其特征在于，步骤四中所述迭代系数
Figure FDA0003250319400000025
更新方式表示如下：
Figure FDA0003250319400000026
其中γ为预设常数。
5.根据权利要求1所述的联邦学习方法，其特征在于，步骤五中所述一阶动量
Figure FDA0003250319400000027
与二阶动量
Figure FDA0003250319400000028
更新方式表示如下：
Figure FDA0003250319400000029
Figure FDA00032503194000000210
6.根据权利要求1所述的联邦学习方法，其特征在于，步骤六中所述模型参数
Figure FDA00032503194000000211
更新方式表示如下：
Figure FDA00032503194000000212
其中，vt′为初始时刻全局二阶动量，α为预设全局学习率。
7.根据权利要求1所述的联邦学习方法，其特征在于，步骤九中所述参数聚合方式为加权平均，涉及参数为一阶动量
Figure FDA00032503194000000213
二阶动量
Figure FDA00032503194000000214
与模型参数
Figure FDA00032503194000000215
具体表示如下：
Figure FDA00032503194000000216
Figure FDA00032503194000000217
Figure FDA00032503194000000218
其中，pi为第i个客户端的权重，N为客户端的数量。
CN202111052964.7A 2021-09-07 2021-09-07 无线边缘网络中对数据污染具有鲁棒性的联邦学习方法 Active CN113762533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111052964.7A CN113762533B (zh) 2021-09-07 2021-09-07 无线边缘网络中对数据污染具有鲁棒性的联邦学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111052964.7A CN113762533B (zh) 2021-09-07 2021-09-07 无线边缘网络中对数据污染具有鲁棒性的联邦学习方法

Publications (2)

Publication Number Publication Date
CN113762533A true CN113762533A (zh) 2021-12-07
CN113762533B CN113762533B (zh) 2023-06-06

Family

ID=78794099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111052964.7A Active CN113762533B (zh) 2021-09-07 2021-09-07 无线边缘网络中对数据污染具有鲁棒性的联邦学习方法

Country Status (1)

Country Link
CN (1) CN113762533B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422605A (zh) * 2022-01-12 2022-04-29 重庆邮电大学 一种基于联邦学习的通信梯度自适应压缩方法
CN114925829A (zh) * 2022-07-18 2022-08-19 山东海量信息技术研究院 一种神经网络训练方法、装置、电子设备及存储介质
CN116204925A (zh) * 2023-03-13 2023-06-02 无锡学院 一种强鲁棒性智慧城市边缘计算数据安全系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200027033A1 (en) * 2018-07-19 2020-01-23 Adobe Inc. Updating Machine Learning Models On Edge Servers
CN112532451A (zh) * 2020-11-30 2021-03-19 安徽工业大学 基于异步通信的分层联邦学习方法、装置、终端设备及存储介质
CN112637883A (zh) * 2020-12-09 2021-04-09 深圳智芯微电子科技有限公司 电力物联网中对无线环境变化具有鲁棒性的联邦学习方法
CN113011599A (zh) * 2021-03-23 2021-06-22 上海嗨普智能信息科技股份有限公司 基于异构数据的联邦学习系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200027033A1 (en) * 2018-07-19 2020-01-23 Adobe Inc. Updating Machine Learning Models On Edge Servers
CN112532451A (zh) * 2020-11-30 2021-03-19 安徽工业大学 基于异步通信的分层联邦学习方法、装置、终端设备及存储介质
CN112637883A (zh) * 2020-12-09 2021-04-09 深圳智芯微电子科技有限公司 电力物联网中对无线环境变化具有鲁棒性的联邦学习方法
CN113011599A (zh) * 2021-03-23 2021-06-22 上海嗨普智能信息科技股份有限公司 基于异构数据的联邦学习系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董业;侯炜;陈小军;曾帅;: "基于秘密分享和梯度选择的高效安全联邦学习", 计算机研究与发展, no. 10 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422605A (zh) * 2022-01-12 2022-04-29 重庆邮电大学 一种基于联邦学习的通信梯度自适应压缩方法
CN114925829A (zh) * 2022-07-18 2022-08-19 山东海量信息技术研究院 一种神经网络训练方法、装置、电子设备及存储介质
CN116204925A (zh) * 2023-03-13 2023-06-02 无锡学院 一种强鲁棒性智慧城市边缘计算数据安全系统及方法

Also Published As

Publication number Publication date
CN113762533B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN113762533A (zh) 无线边缘网络中对数据污染具有鲁棒性的联邦学习方法
CN113011599B (zh) 基于异构数据的联邦学习系统
CN112344944B (zh) 一种引入人工势场的强化学习路径规划方法
CN109496305B (zh) 一种社交网络舆论演变方法
CN113470089B (zh) 一种基于三维点云的跨域协同定位和建图方法及系统
CN104616060B (zh) 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法
Martinez-Gil et al. Multi-agent reinforcement learning for simulating pedestrian navigation
CN107301657B (zh) 一种考虑目标运动信息的视频目标跟踪方法
CN106447674A (zh) 一种视频的背景去除方法
CN112766603B (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN111935303A (zh) 空地一体化车联网中基于意图感知的任务卸载方法
CN112468230A (zh) 一种基于深度学习的无线紫外光散射信道估计方法
US7529651B2 (en) Accurate linear parameter estimation with noisy inputs
CN109000638A (zh) 一种小视场星敏感器量测延时滤波方法
Cicek et al. Off-policy correction for deep deterministic policy gradient algorithms via batch prioritized experience replay
CN114494771B (zh) 一种可防御后门攻击的联邦学习图像分类方法
CN108810823A (zh) 针对无线传感网络协作定位的协同修正信息筛选方法
Notsu et al. Optimization of learning cycles in online reinforcement learning systems
CN115685128B (zh) 一种机动目标场景下的雷达目标跟踪算法及电子设备
CN116259057A (zh) 基于联盟博弈解决联邦学习中数据异质性问题的方法
CN113591716B (zh) 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法
US20240014953A1 (en) Method for estimating bit error probability using error rate ratio of frame synchronization word
CN115510986A (zh) 一种基于AdvGAN的对抗样本生成方法
CN104134091B (zh) 一种神经网络训练方法
CN110501903B (zh) 机器人免逆解控制系统参数的自调节及优化方法

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