CN114584406B - 一种联邦学习的工业大数据隐私保护系统及方法 - Google Patents
一种联邦学习的工业大数据隐私保护系统及方法 Download PDFInfo
- Publication number
- CN114584406B CN114584406B CN202210496003.3A CN202210496003A CN114584406B CN 114584406 B CN114584406 B CN 114584406B CN 202210496003 A CN202210496003 A CN 202210496003A CN 114584406 B CN114584406 B CN 114584406B
- Authority
- CN
- China
- Prior art keywords
- terminal
- data
- industrial
- model
- terminal equipment
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种联邦学习的工业大数据隐私保护系统及方法,系统包括设备选择层、终端层、聚类层、边缘层以及云层。方法包括:根据筛选的终端设备采集工业数据;对工业数据进行聚类处理;将处理后的工业数据发送至边缘服务器,建立本地模型;云服务器根据接收的本地模型进行全局模型聚合和更新,并将全局模型下放至设备选择层筛选出的终端设备,实现数据共享。通过设备选择层对终端设备进行选择,并对工业数据聚类,满足了联邦学习数据样本同质性的要求,提高了联邦学习的聚合效率;通过边缘层与云层之间的建模、更新以及下放,提高了海量数据传输的速率,实现数据共享,并且保证数据的安全性。
Description
技术领域
本发明涉及工业物联网及联邦学习技术领域,具体涉及一种联邦学习的工业大数据隐私保护系统及方法。
背景技术
工业物联网是由连接互联网的机器和高级分析平台组成,能够对其生成的数据加以处理。工业物联网连接海量移动数字设备、制造机器、工业设备等,这些设备包括 RFID标签、CRFID 标签、基于 ZigBee/LoRa 的传感器等,这些设备不断产生用于传感、控制、系统维护和数据分析的大量数据和信号,并在生产过程以实时数据、网络与海量计算为依托,通过系列智能逻辑判断、分析、挖掘、评估、预测、优化、协同等技术手段,以互联网、企业云、物联网、大数据理念为设计基础,提供完整的支撑整合服务,目前工业物联网技术已经在农业、医疗保健业、金融服务业等部分行业得以应用。但是伴随着数据带来的价值,随之而来的是在数据存储、数据传输和数据共享过程中发生数据泄漏,从而引发对数据隐私的严重关注。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中工业物联网场景下数据传输效率低、数据难共享和数据安全性低的缺陷,从而提供一种联邦学习的工业大数据隐私保护系统。
本发明提供了一种联邦学习的工业大数据隐私保护系统,包括:设备选择层、终端层、聚类层、边缘层以及云层;
设备选择层用于选择满足条件的终端设备,并根据满足条件的终端设备构建终端层;
终端层用于获取工业数据,并将工业数据发送至聚类层;工业数据通过满足条件的终端设备采集得到;
聚类层用于将接收的工业数据进行汇聚,并对工业数据进行聚类;
边缘层包括边缘服务器,用于根据聚类后的工业数据,建立本地模型;
云层包括云服务器,用于根据接收的本地模型进行全局模型聚合和更新,并将全局模型下放至终端层的终端设备。
优选的,工业数据包括终端设备的型号、终端设备的类别以及终端设备所处厂房的区域。
优选的,本地模型记为:
其中,Z表示决策树的叶子节点的数量,z表示决策树中第z个叶子节点,k表示第k次迭代,表示第k次迭代后每个叶子节点区域样本的一阶导数,表示第k次迭代后第z个叶子节点的参数,表示第k次迭代后每个叶子节点区域样本的二阶导数,λ表示正则化系数,为的平方,用于权衡决策树模型的复杂度。
优选的,全局模型记为:
本发明还提供了一种联邦学习的工业大数据隐私保护方法,包括:
S1:根据筛选的终端设备采集工业数据;
S2:对工业数据进行聚类处理;
S3:将处理后的工业数据发送至边缘服务器,建立本地模型;
S4:云服务器根据接收的本地模型对全局模型进行聚合与更新,并将全局模型下放至终端层的终端设备,实现数据共享。
优选的,终端设备的筛选过程为:采用深度强化学习技术对多个终端设备进行选择,首先根据终端设备的计算能力、存储能力、运行年限、故障发生率和传输效率进行计算,并进行预排序,根据排序结果,选择满足联邦学习的最低要求的终端设备。
优选的,S1中,根据筛选出的终端设备构建终端设备集,并通过终端设备集中终端设备的自动采集功能,实现工业数据的采集。
优选的,S2中,采用层次聚类算法对工业数据进行同质化数据聚类,包括步骤:
步骤5:重复步骤2-4,直至剩余最后一个簇,得到同质化数据簇,记为
优选的,S3中,将同质化数据簇发送至边缘服务器,并初始化本地训练模型以及模型的迭代次数;基于边缘服务器的本地训练,对本地训练模型进行训练,建立本地模型,本地模型包括梯度和迭代次数。
优选的,S4中,云服务器接收本地模型,基于迭代次数的加权平均值对全局模型进行聚合与更新,并将全局模型下放至各选择的终端设备。
本发明技术方案,具有如下优点:通过设备选择层对终端设备进行选择,并且通过聚类层对工业数据聚类,满足了联邦学习数据样本同质性的要求,提高了联邦学习的聚合效率;同时结合设置的边缘层,实现终端设备与边缘服务器之间同质性数据聚类及本地训练过程;通过边缘层与云层之间的建模、更新以及下放,提高了海量数据传输的速率,实现数据共享,并且保证数据的安全性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施中保护系统的结构示意图;
图2为本发明实施中保护方法的流程示意图;
图3为本发明实施中保护系统与保护方法的对应关系图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为了弥补传统工业物联网端-边-云架构的缺陷,本实施例还提供了一种联邦学习的工业大数据隐私保护系统,利用边缘服务器在数据源近端具有强大计算能力和存储能力的优点,将边缘计算与深度强化学习相结合,并提出工业物联网场景下的端-边-云联邦学习网络架构,同时本实施例考虑到联邦学习数据样本同质性的要求,并提高联邦学习全局模型的聚合效率,在终端设备与边缘服务器之间增加了设备选择层和聚类层,从而实现终端设备与边缘服务器之间同质数据聚类及本地训练的过程,边缘服务器-云服务器之间的联邦学习建模,以提高海量数据传输速率及数据的安全性。
具体如图1所示,该系统包括:设备选择层、终端层、聚类层、边缘层以及云层;
设备选择层用于选择参加联邦学习的终端设备,利用深度强化学习技术对各个终端智能设备进行设备选择,首先依据设备选择函数评估设备计算能力、存储能力、运行年限、故障发生率和传输效率,并按照上述维度预排序,根据排序的结果,选择满足联邦学习的最低要求的终端设备,并根据满足条件的终端设备构建终端层;
其中,最低要求包括最低算力要求以及除算力要求以外的指标。终端设备的最低算力要求,即终端设备的最低配置,在本实施例中最低配置为:
CPU:AMD Ryzen 7 3700X;
内存:16.0 GB;
显卡:英伟达GeForce RTX3060,显存24G,非公版N卡;
硬盘:500GB SSD。
除算力要求以外的指标,则利用基于深度强化学习设备选择函数训练指标权重。
终端层用于获取工业数据,并将工业数据发送至聚类层;工业数据通过满足条件的终端设备采集得到;
聚类层用于将接收的工业数据进行汇聚,并对工业数据进行聚类,实现同质化数据相簇;
边缘层包括若干靠近数据源头的边缘服务器,用于对参与联邦学习的终端设备进行本地训练;并联合多方终端设备的联邦学习,包括模型与梯度传递、模型聚合、模型更新过程,建立本地模型;
本地模型记为:
其中,表示基于数据集的损失函数,为参数,表示由聚类后的工业数据构建的数据集,i表示第i个终端设备,j表示第j个聚类后的工业数据,在本实施例中表示基于决策树算法的损失函数,可替换为其它机器学习算法的损失函数,且表达式为:
其中,Z表示决策树的叶子节点的数量,z表示决策树中第z个叶子节点,k表示第k次迭代,表示第k次迭代后每个叶子节点区域样本的一阶导数,表示第k次迭代后第z个叶子节点的参数,表示第k次迭代后每个叶子节点区域样本的二阶导数,λ表示正则化系数,为的平方,用于权衡决策树模型的复杂度。
云层包括云服务器,用于根据接收的本地模型进行全局模型聚合和更新,并将全局模型下放至终端层的终端设备。
全局模型记为:
在本实施例中,工业数据包括终端设备的型号、终端设备的类别以及终端设备所处厂房的区域。
如图2、图3所示,基于上述保护系统,本实施例提供了一种联邦学习的工业大数据隐私保护方法,该方法包括:
S1:根据筛选的终端设备采集工业数据;
根据当前状态执行通讯组网动作,构建联邦学习通信集群,并获取奖励函数值,计算深度强化学习损失函数,若损失函数未收敛,则继续下一轮设备选择并进行联邦学习,若损失函数收敛,则使用当前设备集群进行联邦学习。
具体的,终端设备的筛选过程为:
步骤1:获取终端设备的信息,并初始化终端设备的网络状态、系统状态、经验缓冲区、参数以及Q网络,通过参数初始化Q网络的网络参数;
步骤2:将当前状态记为:st;通过设备选择函数对信息进行计算;
设备选择函数为:
其中,i表示第i个终端设备,1表示被选择,0表示不被选择,表示阈值;表示终端设备的性能期望值,C表示计算能力,S表示存储能力,Y表示运行年限,B表示故障发生率,T表示传输效率;α、β、γ、δ、σ为对应的权重;
根据终端设备的性能期望值以及阈值,判断终端设备是否被选择;
步骤3:根据计算后的信息进行预排序,并通过排序函数从n个终端设备中选择m个符合条件的终端设备;
当损失函数未收敛时,则进行下一轮终端设备选择;当损失函数收敛时,则通过选择的各终端设备,构建终端设备集,并进行后续步骤。
通过终端设备集中终端设备的自动采集功能,实现工业数据的采集。
S2:对工业数据进行聚类处理;
具体的,采用层次聚类算法(Agglomerative)对工业数据进行同质化数据聚类,包括步骤:
步骤5:重复步骤2-4,直至剩余最后一个簇,得到同质化数据簇,记为
S3:将处理后的工业数据发送至边缘服务器,建立本地模型;
具体的,将同质化数据簇发送至边缘服务器,并初始化本地训练模型以及模型的迭代次数;基于边缘服务器的本地训练,对本地训练模型进行训练,建立本地模型,且本地模型包括梯度和迭代次数。
S4:云服务器根据接收到的本地模型(本地模型,梯度,迭代次数)对全局模型进行聚合与更新,并将全局模型下放至终端层的终端设备,实现数据共享;
具体的,云服务器接收本地模型,基于迭代次数的加权平均值对全局模型进行聚合与更新,并将全局模型下放至终端层中的各终端设备。
本实施例提供的这种保护方法通过选择终端设备进行聚类,满足了联邦学习数据样本同质性的要求,提高了联邦学习的聚合效率;同时结合设置的边缘服务器,实现终端设备与边缘服务器之间同质性数据聚类及本地训练过程;通过边缘服务器与云服务器之间的建模、更新以及下放,提高了海量数据传输的速率,实现数据共享,并且保证数据的安全性。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种联邦学习的工业大数据隐私保护系统,其特征在于,包括:设备选择层、终端层、聚类层、边缘层以及云层;
所述设备选择层用于选择满足条件的终端设备,并根据满足条件的终端设备构建终端层;
采用深度强化学习技术对多个终端设备进行选择,首先根据终端设备的计算能力、存储能力、运行年限、故障发生率和传输效率进行计算,并进行预排序,根据排序结果,选择满足联邦学习的最低要求的终端设备;
终端设备的筛选过程为:
步骤1:获取终端设备的信息,并初始化终端设备的网络状态、系统状态、经验缓冲区、参数以及Q网络,通过参数初始化Q网络的网络参数;
步骤2:将当前状态记为:st;通过设备选择函数对信息进行计算;
设备选择函数为:
其中,i表示第i个终端设备,1表示被选择,0表示不被选择,表示阈值;表示终端设备的性能期望值,C表示计算能力,S表示存储能力,Y表示运行年限,B表示故障发生率,T表示传输效率;α、β、γ、δ、σ为对应的权重;
根据终端设备的性能期望值以及阈值,判断终端设备是否被选择;
步骤3:根据计算后的信息进行预排序,并通过排序函数从n个终端设备中选择m个符合条件的终端设备;
当损失函数未收敛时,则进行下一轮终端设备选择;当损失函数收敛时,则通过选择的各终端设备,构建终端设备集,并进行后续步骤;
所述终端层用于获取工业数据,并将所述工业数据发送至聚类层;所述工业数据通过满足条件的终端设备采集得到;
所述聚类层用于将接收的工业数据进行汇聚,并对工业数据进行聚类;
所述边缘层包括边缘服务器,用于根据聚类后的工业数据,建立本地模型;
所述本地模型记为:
其中,Z表示决策树的叶子节点的数量,z表示决策树中第z个叶子节点,k表示第k次迭代,表示第k次迭代后每个叶子节点区域样本的一阶导数,表示第k次迭代后第z个叶子节点的参数,表示第k次迭代后每个叶子节点区域样本的二阶导数,λ表示正则化系数,为的平方,用于权衡决策树模型的复杂度;
所述云层包括云服务器,用于根据接收的本地模型进行全局模型聚合和更新,并将全局模型下放至终端层的终端设备。
2.根据权利要求1所述的一种联邦学习的工业大数据隐私保护系统,其特征在于,所述工业数据包括终端设备的型号、终端设备的类别以及终端设备所处厂房的区域。
4.一种联邦学习的工业大数据隐私保护方法,其特征在于,应用了权利要求1-3任一项所述的数据隐私保护系统,其包括:
S1:根据筛选的终端设备采集工业数据;
S2:对工业数据进行聚类处理;
S3:将处理后的工业数据发送至边缘服务器,建立本地模型;
S4:云服务器根据接收的本地模型对全局模型进行聚合与更新,并将全局模型下放至终端层的终端设备,实现数据共享。
5.根据权利要求4所述的一种联邦学习的工业大数据隐私保护方法,其特征在于,S1中,根据筛选出的终端设备构建终端设备集,并通过终端设备集中终端设备的自动采集功能,实现工业数据的采集。
6.根据权利要求5所述的一种联邦学习的工业大数据隐私保护方法,其特征在于,S2中,采用层次聚类算法对工业数据进行同质化数据聚类,包括步骤:
步骤5:重复步骤2-4,直至剩余最后一个簇,得到同质化数据簇,记为
7.根据权利要求6所述的一种联邦学习的工业大数据隐私保护方法,其特征在于,S3中,将同质化数据簇发送至边缘服务器,并初始化本地训练模型以及模型的迭代次数;基于边缘服务器的本地训练,对本地训练模型进行训练,建立本地模型,本地模型包括梯度和迭代次数。
8.根据权利要求7所述的一种联邦学习的工业大数据隐私保护方法,其特征在于,S4中,云服务器接收本地模型,基于迭代次数的加权平均值对全局模型进行聚合与更新,并将全局模型下放至各选择的终端设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210496003.3A CN114584406B (zh) | 2022-05-09 | 2022-05-09 | 一种联邦学习的工业大数据隐私保护系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210496003.3A CN114584406B (zh) | 2022-05-09 | 2022-05-09 | 一种联邦学习的工业大数据隐私保护系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114584406A CN114584406A (zh) | 2022-06-03 |
CN114584406B true CN114584406B (zh) | 2022-08-12 |
Family
ID=81769124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210496003.3A Active CN114584406B (zh) | 2022-05-09 | 2022-05-09 | 一种联邦学习的工业大数据隐私保护系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114584406B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596865B (zh) * | 2023-05-05 | 2024-04-16 | 深圳市大数据研究院 | 缺陷检测方法、系统及机器人 |
CN116760634B (zh) * | 2023-08-14 | 2023-11-07 | 国网天津市电力公司信息通信公司 | 一种数据隐私保护方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113206887A (zh) * | 2021-05-08 | 2021-08-03 | 武汉理工大学 | 边缘计算下针对数据与设备异构性加速联邦学习的方法 |
CN113780344A (zh) * | 2021-08-05 | 2021-12-10 | 中山大学 | 一种基于层次聚类的联邦学习方法及系统 |
CN113992692A (zh) * | 2021-10-27 | 2022-01-28 | 天津大学 | 端边云架构和不完全信息下分层联邦学习的方法及系统 |
CN113992676A (zh) * | 2021-10-27 | 2022-01-28 | 天津大学 | 端边云架构和完全信息下分层联邦学习的激励方法及系统 |
CN114331388A (zh) * | 2022-02-08 | 2022-04-12 | 湖南红普创新科技发展有限公司 | 基于联邦学习的薪资计算方法、装置、设备及存储介质 |
DE102021212086A1 (de) * | 2020-10-30 | 2022-05-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verbessern tiefer Neuronaler Netze mittels Prototyp Faktorisierung |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113839838B (zh) * | 2021-10-20 | 2023-10-20 | 西安电子科技大学 | 基于云边协同的联邦学习的业务类型识别方法 |
-
2022
- 2022-05-09 CN CN202210496003.3A patent/CN114584406B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021212086A1 (de) * | 2020-10-30 | 2022-05-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verbessern tiefer Neuronaler Netze mittels Prototyp Faktorisierung |
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 |
CN113206887A (zh) * | 2021-05-08 | 2021-08-03 | 武汉理工大学 | 边缘计算下针对数据与设备异构性加速联邦学习的方法 |
CN113780344A (zh) * | 2021-08-05 | 2021-12-10 | 中山大学 | 一种基于层次聚类的联邦学习方法及系统 |
CN113992692A (zh) * | 2021-10-27 | 2022-01-28 | 天津大学 | 端边云架构和不完全信息下分层联邦学习的方法及系统 |
CN113992676A (zh) * | 2021-10-27 | 2022-01-28 | 天津大学 | 端边云架构和完全信息下分层联邦学习的激励方法及系统 |
CN114331388A (zh) * | 2022-02-08 | 2022-04-12 | 湖南红普创新科技发展有限公司 | 基于联邦学习的薪资计算方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于边缘的联邦学习模型清洗和设备聚类方法;刘艳,王田,彭绍量,王国军,贾维嘉;《计算机学报》;20211231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114584406A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021109578A1 (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
WO2022083624A1 (zh) | 一种模型的获取方法及设备 | |
CN114584406B (zh) | 一种联邦学习的工业大数据隐私保护系统及方法 | |
CN109214599B (zh) | 一种对复杂网络进行链路预测的方法 | |
CN110473592B (zh) | 一种多视角人类协同致死基因预测方法 | |
CN110599234A (zh) | 一种产品销售预测方法 | |
CN107704871A (zh) | 生成机器学习样本的组合特征的方法及系统 | |
CN111177473B (zh) | 人员关系分析方法、装置和可读存储介质 | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN108647691A (zh) | 一种基于点击特征预测的图像分类方法 | |
CN110163262A (zh) | 模型训练方法、业务处理方法、装置、终端及存储介质 | |
CN111526119A (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
Albatayneh et al. | Image retraining using TensorFlow implementation of the pretrained inception-v3 model for evaluating gravel road dust | |
CN112685504A (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN111582538A (zh) | 一种基于图神经网络的社群价值预测方法及系统 | |
CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
Zhu et al. | Identifying carrot appearance quality by an improved dense CapNet | |
CN117061322A (zh) | 物联网流量池管理方法及系统 | |
CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及系统 | |
CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
CN112785479B (zh) | 一种基于少样本学习的图像隐形水印通用检测方法 | |
CN116680633B (zh) | 基于多任务学习的异常用户检测方法、系统及存储介质 | |
WO2023029944A1 (zh) | 联邦学习的方法和装置 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 |
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 |