CN115456719A - 一种基于联邦学习的供应链管理方法 - Google Patents
一种基于联邦学习的供应链管理方法 Download PDFInfo
- Publication number
- CN115456719A CN115456719A CN202211120760.7A CN202211120760A CN115456719A CN 115456719 A CN115456719 A CN 115456719A CN 202211120760 A CN202211120760 A CN 202211120760A CN 115456719 A CN115456719 A CN 115456719A
- Authority
- CN
- China
- Prior art keywords
- data
- federal learning
- privacy
- enterprise
- data set
- 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
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及信息技术领域,具体涉及一种基于联邦学习的供应链管理方法,包括:建立区块链数据模块;每个企业分别建立隐私计算节点;多个隐私计算节点组成隐私计算联盟;多个联盟节点之间进行字段名称校正和隐私求交,获得样本数据;构建特征工程,获得输入联邦学习的特征以及输出特征,采用预设的神经网络模型模板建立神经网络模型,获得联邦学习模型;多个联盟节点联合训练联邦学习模型,完成本次联邦学习,获得训练后的联邦学习模型;隐私计算节点赋予联邦学习模型编号并存储;隐私计算节点读取企业的数据输入联邦学习模型,获得联邦学习的输出作为预测结果。本发明的有益技术效果包括:提高供应链管理效率,降低供应链管理成本。
Description
技术领域
本发明涉及信息技术领域,具体涉及一种基于联邦学习的供应链管理方法。
背景技术
现代商业是建立在供应链之上的商业,整条供应链从原材料供应商出发,经由制造商、批发商、分销商和各种零售商,最终延伸到客户群体。其间,各个节点在响应下个层级节点需求的时候,存在库存成本和响应时间的相互矛盾的问题。联邦学习(FederatedLearning)是一种新兴的人工智能技术,用于在保障大数据交换时的信息安全、保护终端数据的前提下,在多参与方或计算节点之间开展高效的机器学习。在实际的供应链中,多个供应方和多个需求方互相之间往往因数据隐私问题而产生信息不对称的现象。这一现象会导致在供应链中出现库存成本和响应时间难以协调的问题。因此有必要研究能够增加信息透明度的技术方案。
中国专利CN112364943A,公开日2021年2月12日,一种基于联邦学习的联邦预测方法,通过对本地更新的梯度向量单位化,使单个参与方更新的神经网络模型参数变化只有方向差异,无大小差异,这样既保护了数据隐私,同时不需要使用同态、差分隐私或其他加密技术,在不丢失数据精度情况下,极大减少设备与服务器之间通讯代价。另外,考虑到联邦学习场景下数据往往差异性较大,可以通过增加数据的局部信息,提高对局部参与方的性能,利用k-means算法对上传的神经网络模型参数聚类,得到相似的神经网络模型参数,提高神经网络模型参数聚合权重,既而更加适应于本参与方的数据场景。其技术方案虽然提高了联邦学习的效率,但仍然实现供应链中各个企业之间的数据共享。
发明内容
本发明所要解决的技术问题:目前缺乏建立供应链中企业数据共享方案的技术问题。提出了一种基于联邦学习的供应链管理方法,通过在供应链各个企业之间建立联邦学习实现数据的共享,提高供应链管理效率,增加产业效益。
解决上述技术问题,本发明采用如下技术方案:一种基于联邦学习的供应链管理方法,包括:
建立区块链数据模块,所述区块链数据模块接收企业提供的数据集描述信息和隐私计算量审计,将数据集描述信息和审计结果上传区块链存储;
每个企业分别建立隐私计算节点,所述隐私计算节点提取企业数据集的哈希值,为企业数据集分配集标识,将企业数据集的哈希值关联集标识后上传区块链存储;
多个隐私计算节点组成隐私计算联盟,参与隐私计算联盟的隐私计算节点记为联盟节点;
多个联盟节点之间进行字段名称校正和隐私求交,获得样本数据;
构建特征工程,获得输入联邦学习的特征以及输出特征,每个特征对应一个字段,采用预设的神经网络模型模板建立神经网络模型,将特征对应的字段作为神经网络模型的输入,所述输出特征作为神经网络模型的输出,获得联邦学习模型;
多个联盟节点联合训练所述联邦学习模型,完成本次联邦学习,获得训练后的联邦学习模型;
所述隐私计算节点赋予联邦学习模型编号并存储;
所述隐私计算节点读取企业的数据输入联邦学习模型,获得联邦学习的输出作为预测结果。
作为优选,所述数据集描述信息包括企业名称、来源业务、数据字段列表、数据格式、数据生成时间区间、数据量和编号区间,在预设的周期时长内,同一来源业务的数据构成一个数据集,企业为数据分配编号。
作为优选,企业向区块链数据模块提供数据集描述信息的方法包括:
企业在隐私计算节点上建立并存储所述数据集描述信息;
校正数据集数据字段列表,企业之间为同字段商定统一的字段标识;
企业将隐私计算节点上存储的数据集描述信息作为资产上传区块链;
企业将数据集产生的周期作为资产的元数据上传区块链存储,企业修改元数据通过在区块链上完成自交易实现。
作为优选,审计隐私计算量的方法包括:企业周期性将据集更新日志、联邦学习任务日志、节点变更记录和联盟变更记录上传到区块链存储,所述区块链数据模块统计企业每次参与隐私计算时使用到的数据量,全部被使用的数据量的和作为企业隐私计算量的审计结果。
作为优选,隐私计算节点提取企业数据集的哈希值的方法包括:
提取企业数据集中每条数据的哈希值,全部数据的哈希值构成哈希值集;
提取哈希值集的哈希值作为企业数据集的哈希值。
作为优选,多个隐私计算节点组成隐私计算联盟的方法包括:
发起隐私计算的企业建立的隐私计算节点记为发起节点,发起节点在区块链上查询数据集描述信息找到目标数据集,所述目标数据集为来源业务、数据字段列表、数据格式及数据生成时间区间均符合本次隐私计算要求的数据集;
发起节点向目标数据集对应的隐私计算节点请求建立隐私计算联盟,同意请求的隐私计算节点及发起节点构成隐私计算联盟。
作为优选,所述隐私计算节点周期性查询区块链上的数据集描述信息,当存在新的来源业务、数据字段列表、数据格式及数据生成时间区间均符合联邦学习模型时,自动向相应的隐私计算节点发出隐私计算请求,被请求的隐私计算节点将数据集输入联邦学习模型,获得新的联邦学习模型预测结果。
作为优选,构建特征工程的方法包括:
发起节点设定联邦学习的输出特征;
读取若干个样本数据,以输出特征对应的字段为标签值,其余字段为特征值;
根据样本数据计算特征值字段与标签值的关联度;
剔除关联度低于预设阈值的特征值字段,剩余特征值字段构成输入联邦学习的特征。
作为优选,采用预设的神经网络模型模板建立神经网络模型的方法包括:
划分若干个输入层神经元数量区间,建立若干个中间层,若干个中间层记为中间体;
为每个区间关联一个中间体,为每个中间体关联输入层;
根据特征工程获得的输入联邦学习的特征的数量,建立输入层,输入层神经元数量与输入联邦学习的特征的数量相符;
将输入层神经元与第一层中间层神经元建立全连接并赋予初始权重,完成神经网络模型的建立。
本发明的有益技术效果包括:通过建立联邦学习使供应链中各个企业能够共享数据,提高供应链管理效率,降低供应链管理成本;借助数据集描述信息使企业能够准确找到所需要的数据集,同时保持数据的隐私。
本发明的其他特点和优点将会在下面的具体实施方式、附图中详细的揭露。
附图说明
下面结合附图对本发明做进一步的说明:
图1为本发明实施例的供应链管理方法流程示意图。
图2为本发明实施例的提供数据集描述信息方法流程示意图。
图3为本发明实施例的构建特征工程方法流程示意图。
图4为本发明实施例建立神经网络模型方法流程示意图。
具体实施方式
下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明,但下述实施例仅为本发明的优选实施例,并非全部。基于实施方式中的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例,都属于本发明的保护范围。
在下文描述中,出现诸如术语“内”、“外”、“上”、“下”、“左”、“右”等指示方位或者位置关系仅是为了方便描述实施例和简化描述,而不是指示或暗示所指的装置或者元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
一种基于联邦学习的供应链管理方法,请参阅附图1,包括:
步骤A01)建立区块链数据模块,区块链数据模块接收企业提供的数据集描述信息和隐私计算量审计,将数据集描述信息和审计结果上传区块链存储;
步骤A02)每个企业分别建立隐私计算节点,隐私计算节点提取企业数据集的哈希值,为企业数据集分配集标识,将企业数据集的哈希值关联集标识后上传区块链存储;
步骤A03)多个隐私计算节点组成隐私计算联盟,参与隐私计算联盟的隐私计算节点记为联盟节点;
步骤A04)多个联盟节点之间进行字段名称校正和隐私求交,获得样本数据;
步骤A05)构建特征工程,获得输入联邦学习的特征以及输出特征,每个特征对应一个字段,采用预设的神经网络模型模板建立神经网络模型,将特征对应的字段作为神经网络模型的输入,输出特征作为神经网络模型的输出,获得联邦学习模型;
步骤A06)多个联盟节点联合训练联邦学习模型,完成本次联邦学习,获得训练后的联邦学习模型;
步骤A07)隐私计算节点赋予联邦学习模型编号并存储;
步骤A08)隐私计算节点读取企业的数据输入联邦学习模型,获得联邦学习的输出作为预测结果。
数据集描述信息包括企业名称、来源业务、数据字段列表、数据格式、数据生成时间区间、数据量和编号区间,在预设的周期时长内,同一来源业务的数据构成一个数据集,企业为数据分配编号。参与供应链的企业将各自的业务产生的数据周期性打包成数据集。数据字段列表即数据包含的字段,例如产品编码、客户编码、仓库、分销路线及时间。区块链数据平台会采集数据集描述信息,并将数据集描述信息存入 Elastic Search,供应链各方可以在平台前端页面上检索自己需要的数据集。多个联盟节点联合训练联邦学习模型后,使用现有技术公开的准确度评价方法进行评价即可。按模型输出类型分为三种评价方法,联邦学习模型是二分类输出时,使用AUC、KS或F1-Score进行评分。联邦学习模型为多分类输出时,使用Macro F1或Micro F1进行评分。联邦学习模型为回归模型输出时,使用MSE或MAE进行评分。联邦学习模型的评分超过预设阈值,则判定联邦学习训练的模型准确度达到预设要求,完成联邦学习。若评分达不到预设阈值,则重新执行步骤A04)至步骤A06)。
请参阅附图2,企业向区块链数据模块提供数据集描述信息的方法包括:
步骤B01)企业在隐私计算节点上建立并存储数据集描述信息;
步骤B02)校正数据集数据字段列表,企业之间为同字段商定统一的字段标识;
步骤B03)企业将隐私计算节点上存储的数据集描述信息作为资产上传区块链;
步骤B04)企业将数据集产生的周期作为资产的元数据上传区块链存储,企业修改元数据通过在区块链上完成自交易实现。同一个字段使用相同的字段标识,能够方便数据集之间对齐数据。本实施例中企业以日为周期,每日将当日的业务数据打包为数据集,生成数据集描述信息上传区块链存储。
审计隐私计算量的方法包括:企业周期性将据集更新日志、联邦学习任务日志、节点变更记录和联盟变更记录上传到区块链存储,区块链数据模块统计企业每次参与隐私计算时使用到的数据量,全部被使用的数据量的和作为企业隐私计算量的审计结果。
隐私计算节点提取企业数据集的哈希值的方法包括:提取企业数据集中每条数据的哈希值,全部数据的哈希值构成哈希值集;提取哈希值集的哈希值作为企业数据集的哈希值。提取哈希值使用MD5、SHA-256或者使用SM3。
多个隐私计算节点组成隐私计算联盟的方法包括:发起隐私计算的企业建立的隐私计算节点记为发起节点,发起节点在区块链上查询数据集描述信息找到目标数据集,目标数据集为来源业务、数据字段列表、数据格式及数据生成时间区间均符合本次隐私计算要求的数据集;
发起节点向目标数据集对应的隐私计算节点请求建立隐私计算联盟,同意请求的隐私计算节点及发起节点构成隐私计算联盟。由需要进行联邦学习的企业作为发起方。发起方的隐私计算节点首先查找目标数据集。而后根据目标数据集制作相应的神经网络模型,神经网络模型的输出为企业所需要的信息。多个企业将参与到发起方发起的联邦学习中,经过联邦学习后,发起方将基于全部参与的企业的数据集,获得训练好的神经网络模型,用于预测目标结果,指导生产进度安排。
隐私计算节点周期性查询区块链上的数据集描述信息,当存在新的来源业务、数据字段列表、数据格式及数据生成时间区间均符合联邦学习模型时,自动向相应的隐私计算节点发出隐私计算请求,被请求的隐私计算节点将数据集输入联邦学习模型,获得新的联邦学习模型预测结果。
请参阅附图3,构建特征工程的方法包括:
步骤C01)发起节点设定联邦学习的输出特征;
步骤C02)读取若干个样本数据,以输出特征对应的字段为标签值,其余字段为特征值;
步骤C03)根据样本数据计算特征值字段与标签值的关联度;
步骤C04)剔除关联度低于预设阈值的特征值字段,剩余特征值字段构成输入联邦学习的特征。关联度指特征值变化导致标签值变化的关联度。若在不同样本中,特征值变化,但标签值基本不变,则该特征值对应的字段与标签值关联度低;反之,若在不同样本中,特征值变化,但标签值也发生变化,则该特征值对应的字段与标签值关联度高。
请参阅附图4,采用预设的神经网络模型模板建立神经网络模型的方法包括:
步骤D01)划分若干个输入层神经元数量区间,建立若干个中间层,若干个中间层记为中间体;
步骤D02)为每个区间关联一个中间体,为每个中间体关联输入层;
步骤D03)根据特征工程获得的输入联邦学习的特征的数量,建立输入层,输入层神经元数量与输入联邦学习的特征的数量相符;
步骤D04)将输入层神经元与第一层中间层神经元建立全连接并赋予初始权重,完成神经网络模型的建立。为不同输入层神经元数量区间预先建立中间体,能够方便发起方建立神经网络模型。发起方也可以自行建立新的神经网络模型,在联盟节点之间同步后即可进行联邦学习,对神经网络模型进行训练。
本实施例的有益技术效果包括:通过建立联邦学习使供应链中各个企业能够共享数据,提高供应链管理效率,降低供应链管理成本;使得供应链各级的供应和需求各方,在保护数据隐私的情况下,利用机器学习模型预估需求,指导生产和采购;同时,自动化的联邦学习和预测任务,以及预测结果的推送,减少了用户对系统操作人员的要求。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (9)
1.一种基于联邦学习的供应链管理方法,其特征在于,包括:
建立区块链数据模块,所述区块链数据模块接收企业提供的数据集描述信息和隐私计算量审计,将数据集描述信息和审计结果上传区块链存储;
每个企业分别建立隐私计算节点,所述隐私计算节点提取企业数据集的哈希值,为企业数据集分配集标识,将企业数据集的哈希值关联集标识后上传区块链存储;
多个隐私计算节点组成隐私计算联盟,参与隐私计算联盟的隐私计算节点记为联盟节点;
多个联盟节点之间进行字段名称校正和隐私求交,获得样本数据;
构建特征工程,获得输入联邦学习的特征以及输出特征,每个特征对应一个字段,采用预设的神经网络模型模板建立神经网络模型,将特征对应的字段作为神经网络模型的输入,所述输出特征作为神经网络模型的输出,获得联邦学习模型;
多个联盟节点联合训练所述联邦学习模型,完成本次联邦学习,获得训练后的联邦学习模型;
所述隐私计算节点赋予联邦学习模型编号并存储;
所述隐私计算节点读取企业的数据输入联邦学习模型,获得联邦学习的输出作为预测结果。
2.根据权利要求1所述的一种基于联邦学习的供应链管理方法,其特征在于,
所述数据集描述信息包括企业名称、来源业务、数据字段列表、数据格式、数据生成时间区间、数据量和编号区间,在预设的周期时长内,同一来源业务的数据构成一个数据集,企业为数据分配编号。
3.根据权利要求2所述的一种基于联邦学习的供应链管理方法,其特征在于,
企业向区块链数据模块提供数据集描述信息的方法包括:
企业在隐私计算节点上建立并存储所述数据集描述信息;
校正数据集数据字段列表,企业之间为同字段商定统一的字段标识;
企业将隐私计算节点上存储的数据集描述信息作为资产上传区块链;
企业将数据集产生的周期作为资产的元数据上传区块链存储,企业修改元数据通过在区块链上完成自交易实现。
4.根据权利要求1至3任一项所述的一种基于联邦学习的供应链管理方法,其特征在于,
审计隐私计算量的方法包括:企业周期性将据集更新日志、联邦学习任务日志、节点变更记录和联盟变更记录上传到区块链存储,所述区块链数据模块统计企业每次参与隐私计算时使用到的数据量,全部被使用的数据量的和作为企业隐私计算量的审计结果。
5.根据权利要求1至3任一项所述的一种基于联邦学习的供应链管理方法,其特征在于,
隐私计算节点提取企业数据集的哈希值的方法包括:
提取企业数据集中每条数据的哈希值,全部数据的哈希值构成哈希值集;
提取哈希值集的哈希值作为企业数据集的哈希值。
6.根据权利要求1至3任一项所述的一种基于联邦学习的供应链管理方法,其特征在于,
多个隐私计算节点组成隐私计算联盟的方法包括:
发起隐私计算的企业建立的隐私计算节点记为发起节点,发起节点在区块链上查询数据集描述信息找到目标数据集,所述目标数据集为来源业务、数据字段列表、数据格式及数据生成时间区间均符合本次隐私计算要求的数据集;
发起节点向目标数据集对应的隐私计算节点请求建立隐私计算联盟,同意请求的隐私计算节点及发起节点构成隐私计算联盟。
7.根据权利要求6所述的一种基于联邦学习的供应链管理方法,其特征在于,
所述隐私计算节点周期性查询区块链上的数据集描述信息,当存在新的来源业务、数据字段列表、数据格式及数据生成时间区间均符合联邦学习模型时,自动向相应的隐私计算节点发出隐私计算请求,被请求的隐私计算节点将数据集输入联邦学习模型,获得新的联邦学习模型预测结果。
8.根据权利要求1至3任一项所述的一种基于联邦学习的供应链管理方法,其特征在于,
构建特征工程的方法包括:
发起节点设定联邦学习的输出特征;
读取若干个样本数据,以输出特征对应的字段为标签值,其余字段为特征值;
根据样本数据计算特征值字段与标签值的关联度;
剔除关联度低于预设阈值的特征值字段,剩余特征值字段构成输入联邦学习的特征。
9.根据权利要求1至3任一项所述的一种基于联邦学习的供应链管理方法,其特征在于,
采用预设的神经网络模型模板建立神经网络模型的方法包括:
划分若干个输入层神经元数量区间,建立若干个中间层,若干个中间层记为中间体;
为每个区间关联一个中间体,为每个中间体关联输入层;
根据特征工程获得的输入联邦学习的特征的数量,建立输入层,输入层神经元数量与输入联邦学习的特征的数量相符;
将输入层神经元与第一层中间层神经元建立全连接并赋予初始权重,完成神经网络模型的建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211120760.7A CN115456719A (zh) | 2022-09-15 | 2022-09-15 | 一种基于联邦学习的供应链管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211120760.7A CN115456719A (zh) | 2022-09-15 | 2022-09-15 | 一种基于联邦学习的供应链管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456719A true CN115456719A (zh) | 2022-12-09 |
Family
ID=84302471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211120760.7A Pending CN115456719A (zh) | 2022-09-15 | 2022-09-15 | 一种基于联邦学习的供应链管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456719A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341014A (zh) * | 2023-05-29 | 2023-06-27 | 之江实验室 | 一种多方联邦隐私数据资源交互方法、装置和介质 |
-
2022
- 2022-09-15 CN CN202211120760.7A patent/CN115456719A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341014A (zh) * | 2023-05-29 | 2023-06-27 | 之江实验室 | 一种多方联邦隐私数据资源交互方法、装置和介质 |
CN116341014B (zh) * | 2023-05-29 | 2023-08-29 | 之江实验室 | 一种多方联邦隐私数据资源交互方法、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Otoum et al. | A federated learning and blockchain-enabled sustainable energy trade at the edge: A framework for industry 4.0 | |
Ding et al. | Incentive mechanism design for federated learning with multi-dimensional private information | |
US20160105801A1 (en) | Geo-based analysis for detecting abnormal logins | |
CN105868369B (zh) | 一种基于Merkle树结构的数据模型验证系统与方法 | |
US8700640B2 (en) | System or apparatus for finding influential users | |
CN105874743A (zh) | 服务提供商网络迁移 | |
CN113422801B (zh) | 边缘网络节点内容分配方法、系统、装置及计算机设备 | |
CN113065143A (zh) | 基于区块链的工业数据安全共享 | |
Tang et al. | A factorization machine-based QoS prediction approach for mobile service selection | |
CN115456719A (zh) | 一种基于联邦学习的供应链管理方法 | |
CN115563859A (zh) | 一种基于分层联邦学习的电力负荷预测方法、装置及介质 | |
Liu et al. | Task assignment with federated preference learning in spatial crowdsourcing | |
CN115470994A (zh) | 基于显式时间和级联注意力的信息流行度预测方法和系统 | |
Wang et al. | Cellular traffic prediction using deep convolutional neural network with attention mechanism | |
Yang et al. | Semi-supervised learning for discrete choice models | |
CN116820816A (zh) | 一种基于多层分组聚合的横向联邦学习故障检测方法 | |
Li et al. | Research on automation control of university logistics management system based on wireless communication network | |
Huang et al. | AFLChain: blockchain-enabled asynchronous federated learning in edge computing network | |
CN102385586A (zh) | 多方协同过滤方法和系统 | |
Luo et al. | A Language Model-based Fine-Grained Address Resolution Framework in UAV Delivery System | |
Fathabad et al. | Data-Driven Optimization for E-Scooter System Design | |
Solat et al. | A novel group management scheme of clustered federated learning for mobile traffic prediction in mobile edge computing systems | |
Gaurav et al. | Machine and federated learning for high-performance computing: a survey | |
Wang et al. | [Retracted] Marketing System Construction and Risk Analysis Based on Random Forest of Machine Learning | |
Junhui | [Retracted] Security Enhancement Algorithm of SM‐254 Cloud System and Automated Personnel Identification of the Management in the Supply Chain Enterprise |
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 |