CN117933427B - 一种智能电网双重采样优化的差分隐私联邦学习方法 - Google Patents
一种智能电网双重采样优化的差分隐私联邦学习方法 Download PDFInfo
- Publication number
- CN117933427B CN117933427B CN202410310915.6A CN202410310915A CN117933427B CN 117933427 B CN117933427 B CN 117933427B CN 202410310915 A CN202410310915 A CN 202410310915A CN 117933427 B CN117933427 B CN 117933427B
- Authority
- CN
- China
- Prior art keywords
- local
- mec server
- model parameters
- mec
- server
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能电网双重采样优化的差分隐私联邦学习方法，包括：S1.中央控制服务器初始化联邦学习全局模型参数以及每轮迭代选取的MEC服务器数量；S2.对MEC服务器预采样，选择MEC服务器用于本地训练，获得局部模型参数；S3.收集预采样MEC服务器的局部模型参数，生成二次采样权重；S4.在预采样的MEC服务器中，中央控制服务器二次采样，选择MEC服务器的本地局部参数，生成本轮迭代的全局参数；S5.若迭代次数达到阈值，广播全局模型参数，否则重复步骤S2‑S4，进行下一轮迭代。
Description
技术领域
本发明涉及信息安全技术领域，尤其涉及一种智能电网双重采样优化的差分隐私联邦学习方法。
背景技术
电网是将电力从发电厂输送到使用点的网络，主要包括发电厂、电力网和用电设备。随着全球经济、社会和工业的发展，电力消耗不断增加，传统电网在满足能源需求的同时，也面临建立强大的电力存储系统等潜在问题，智能电网是一个更好的电力网络管理和负载平衡的解决方案。它是一种通过数字通信技术实现电力和数据的双向流动的电力网络，可以对用户用电数据进行实时采集并，实现了传统电网的电气自动化。
智能电表是实现智能电网优点的主要基础设施之一，它能够周期性高频率地测量电力消耗，并通过双向通信发送和接收数据。智能电表网络配备了信息和通信技术，同时搭配智能传感器，使得电力公司能够更有效地控制和管理智能电网。然而，尽管智能电网特有的优势能够给人们带来许多便利，但它还是有很多不可忽视的缺点。智能电表监控和收集细粒度的数据极易造成个人隐私的泄露；不受保护的用电数据可能会反映用户的生活轨迹，比如离家和回家的电器的使用时间等，通过用电量来分析用户日常生活中的隐私细节，显然,细粒度电量数据被智能电表记录下来，已经威胁到个人隐私。
联邦学习有效的解决了个人隐私问题，联邦学习的思想是在大量参与者的合作下提供有效的隐私保护，以分布式计算的方式迭代训练特定的机器学习模型。现有的联邦学习解决智能电网隐私问题的方案中，最常见的是通过加权平均聚合模型参数的LDP-FL算法。LDP-FL的基本理念是向服务器上传经差分隐私加噪后的本地模型的参数，由服务器计算出所有模型参数的平均值，再向本地所有设备广播这一平均值。此过程可反复多次,直至收敛。为了确保模型聚合的精确性，LDP-FL算法对模型进行了加权平均的聚合。然而LDP-FL通常来说是基于平均的选择用户，即每次联邦学习迭代过程中选择每个用户的概率相同，但实际情况通常是各个用户因自身数据集差异而造成的每个用户对中心服务器的重要性各不相同。因而LDP-FL算法中用户参差不齐的重要性会降低模型的训练效率，并且不能量化隐私保护程度。
发明内容
发明目的：本发明为了解决智能电网下用户隐私安全问题，并考虑到各个用户因本地数据集差异而造成的每个用户对中心服务器的重要性各不相同问题，为了实现上述发明目的，本发明提出一种智能电网双重采样优化的差分隐私联邦学习方法。
技术方案：为了解决上述技术问题，本发明提出一种智能电网双重采样优化的差分隐私联邦学习方法，该方法包括以下步骤：
S1.联邦学习中央控制服务器初始化联邦学习全局模型参数 以及联邦学习每轮迭代选取的MEC服务器数量为m；
S2.对于每轮迭代，中央控制服务器以固定概率对MEC服务器进行预采样，选择一批MEC服务器用于本地训练，获得局部模型参数；
S3.中央控制服务器收集来自预采样MEC服务器的局部模型参数，对局部模型参数进行聚合，并添加噪声，生成二次采样权重；
S4.在预采样的MEC服务器批次中，中央控制服务器通过采样权重进行二次采样，选择一批MEC服务器的本地局部参数，并进行加权聚合，生成本轮迭代的全局参数；
S5.若迭代次数达到阈值，则控制服务器广播全局模型参数/>，否则重复步骤S2-S4, 进行下一轮迭代。
进一步的，所述联邦学习系统包括N个MEC服务器以及 1个中央控制服务器，表示第n个MEC服务器，/>；MEC服务器包括智能电表用电数据聚合模块以及本地联邦学习局部预测模型；所述用电数据聚合模块功能是收集区域内所有智能电表的电力数据，用于生成各个本地MEC服务器本地训练时的数据集；各MEC服务器采用所述用电数据集训练自身的联邦学习局部预测模型，所述中央控制服务器负责联邦学习模型初始化，模型局部参数聚合，全局模型更新的任务。
进一步的，所述步骤S2中的预采样方法如下：
确定预采样选取的数量为，/>取大于1的正整数，以固定概率为采样获得的MEC服务器批次/>，对于联邦学习第/>次迭代过程中，中央控制服务器针对预采样的MEC服务器批次/>中的MEC服务器/>生成局部模型参数/>,/>，/>表示本地MEC服务器/>第/>次迭代的局部参数，并广播发送到对应本地MEC服务器，本地MEC服务器接收局部模型参数并以此为此轮训练初始模型参数，使用本地数据集训练联邦学习局部预测模型，经梯度裁剪获得局部模型参数/>，/>表示本地MEC服务器/>第/>次迭代的局部参数。
进一步的，各个本地MEC服务器接收的局部参数，基于使用本地数据集训练联邦学习局部预测模型获得下轮局部模型参数/>的具体方法如下：
S41，某一个MEC服务器从本地数据集中随机选择一部分数据生成训练集样本；
S42，以MEC服务器接收的局部参数为初始模型参数/>，即/>，以训练集样本通过随机梯度下降算法训练得到局部模型参数的梯度/>,其中，/>表示以数据集/>进行第v轮本地训练的局部模型参数的梯度；
S43，利用梯度正则化边界阈值C对局部模型参数梯度进行裁剪，并更新模型参数/>；
S44，本地训练预设的训练次数为,若训练次数小于/>,则重复上述步骤S41-S43；经过/>轮训练迭代，输出/>。
进一步的，所述步骤S43中，本地MEC服务器局部模型裁剪更新公式为：
;
其中，表示第v次迭代后更新的MEC服务器本地局部参数值，/>表示第v-1次迭代后更新的MEC服务器本地局部参数值，/>代表本地训练模型学习率，/>表示/>的二阶矩。
进一步的，所述步骤S3具体方法如下：
MEC服务器上传训练完的局部模型参数，中央控制服务器收集所有MEC服务器上传的本地局部预测模型参数，并根据收集到的数据得到二范数和，并为其添加符合差分隐私的高斯噪声得到/>，最终得到二次采样权重/>，具体高斯噪声加噪公式为：
;
其中，表示符合差分隐私机制的高斯噪声尺度值，所述符合差分隐私机制的高斯噪声是指添加的噪声值符合高斯分布且使本地模型参数符合差分隐私，/>表示全局敏感度，/>表示控制服务器设置的隐私预算值，/>表示获得未加噪声概率，指的是/>的二阶矩。
进一步的，所述步骤S4具体方法如下：
以采样权重进行二次采样获得二次采样MEC服务器批次/>，控制服务器对二次采样得到的MEC服务器本地局部参数进行加权聚合，具体公式为：
;
其中，为新一轮的全局模型参数，/>为第b个MEC服务器的局部模型参数，表示/>批次中所有MEC服务器总数据样本数量，/>为第b个MEC服务器参与训练的数据样本数量与/>批次中所有MEC服务器总数据样本数量的比例。
此外，本发明提出一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序执行任一项所述的一种智能电网双重采样优化的差分隐私联邦学习方法。
此外，本发明提出一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行任一项所述的一种智能电网双重采样优化的差分隐私联邦学习方法。
有益效果：与现有技术方案相比，本发明的技术方案具有以下有益技术效果：
本发明着眼于智能电网下的用户隐私安全问题，提出一种智能电网下对用户用电数据分析训练的本地化差分隐私的联邦学习模型，有效的解决了大部分智能电网用户隐私数据泄露的问题。而在另一方面，本地化差分隐私的联邦学习模型下的用户数据集各不相同，而造成各个用户对中心服务器的重要性各不相同，进而提出一种双重采样的优化方法，首先以平均采样进行一次预采样，第一次采样获得的用户批次进行本地训练迭代，得到局部模型参数，以首次采样用户批次训练得到的局部模型参数二范数权重为二次采样的采样概率，第二次采样能够保证采样到批次B中相对重要的MEC服务器，提高了全局训练效率，保证服务器有更好的聚合结果，生成更好的全局模型。
附图说明
图1为本发明提出的一种智能电网双重采样优化的差分隐私联邦学习方法的流程图。
具体实施方式
如图1所示，本发明提出一种智能电网双重采样优化的差分隐私联邦学习方法，该方法包括以下步骤：
S1.联邦学习中央控制服务器初始化联邦学习全局模型参数 以及联邦学习每轮迭代选取的MEC服务器数量为m；
S2.对于每轮迭代，中央控制服务器以固定概率对MEC服务器进行预采样，选择一批MEC服务器用于本地训练，获得局部模型参数；
S3.中央控制服务器收集来自预采样MEC服务器的局部模型参数，对局部模型参数进行聚合，并添加噪声，生成二次采样权重；
S4.在预采样的MEC服务器批次中，中央控制服务器通过采样权重进行二次采样，选择一批MEC服务器的本地局部参数，并进行加权聚合，生成本轮迭代的全局参数；
S5.若迭代次数达到阈值，则控制服务器广播全局模型参数/>，否则重复步骤S2-S4, 进行下一轮迭代。
进一步的，所述联邦学习系统包括N个MEC服务器以及 1个中央控制服务器，表示第n个MEC服务器，/>；MEC服务器包括智能电表用电数据聚合模块以及本地联邦学习局部预测模型；所述用电数据聚合模块功能是收集区域内所有智能电表的电力数据，用于生成各个本地MEC服务器本地训练时的数据集；各MEC服务器采用所述用电数据集训练自身的联邦学习局部预测模型，所述中央控制服务器负责联邦学习模型初始化，模型局部参数聚合，全局模型更新的任务。
进一步的，所述步骤S2中的预采样方法如下：
确定预采样选取的数量为，/>取大于1的正整数，以固定概率为采样获得的MEC服务器批次/>，对于联邦学习第/>次迭代过程中，中央控制服务器针对预采样的MEC服务器批次/>中的MEC服务器/>生成局部模型参数/>,/>，/>表示本地MEC服务器/>第/>次迭代的局部参数，并广播发送到对应本地MEC服务器，本地MEC服务器接收局部模型参数并以此为此轮训练初始模型参数，使用本地数据集训练联邦学习局部预测模型，经梯度裁剪获得局部模型参数/>，/>表示本地MEC服务器/>第/>次迭代的局部参数。
进一步的，各个本地MEC服务器接收的局部参数，基于使用本地数据集训练联邦学习局部预测模型获得下轮局部模型参数/>的具体方法如下：
S41，某一个MEC服务器从本地数据集中随机选择一部分数据生成训练集样本；
S42，以MEC服务器接收的局部参数为初始模型参数/>，即/>，以训练集样本通过随机梯度下降算法训练得到局部模型参数的梯度/>,其中，/>表示以数据集/>进行第v轮本地训练的局部模型参数的梯度；
S43，利用梯度正则化边界阈值C对局部模型参数梯度进行裁剪，并更新模型参数/>；
S44，本地训练预设的训练次数为,若训练次数小于/>,则重复上述步骤S41-S43；经过/>轮训练迭代，输出/>。
进一步的，所述步骤S43中，本地MEC服务器局部模型裁剪更新公式为：
;
其中，表示第v次迭代后更新的MEC服务器本地局部参数值，/>表示第v-1次迭代后更新的MEC服务器本地局部参数值，/>代表本地训练模型学习率，/>表示/>的二阶矩。
进一步的，所述步骤S3具体方法如下：
MEC服务器上传训练完的局部模型参数，中央控制服务器收集所有MEC服务器上传的本地局部预测模型参数，并根据收集到的数据得到二范数和，并为其添加符合差分隐私的高斯噪声得到/>，最终得到二次采样权重/>，具体高斯噪声加噪公式为：
;
其中，表示符合差分隐私机制的高斯噪声尺度值，所述符合差分隐私机制的高斯噪声是指添加的噪声值符合高斯分布且使本地模型参数符合差分隐私，/>表示全局敏感度，/>表示控制服务器设置的隐私预算值，/>表示获得未加噪声概率，指的是/>的二阶矩。
进一步的，所述步骤S4具体方法如下：
以采样权重进行二次采样获得二次采样MEC服务器批次/>，控制服务器对二次采样得到的MEC服务器本地局部参数进行加权聚合，具体公式为：
;
其中，为新一轮的全局模型参数，/>为第b个MEC服务器的局部模型参数，表示/>批次中所有MEC服务器总数据样本数量，/>为第b个MEC服务器参与训练的数据样本数量与/>批次中所有MEC服务器总数据样本数量的比例。
此外，本发明提出一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序执行任一项所述的一种智能电网双重采样优化的差分隐私联邦学习方法。
此外，本发明提出一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行任一项所述的一种智能电网双重采样优化的差分隐私联邦学习方法。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
Claims (4)
1.一种智能电网双重采样优化的差分隐私联邦学习方法，其特征在于，该方法包括以下步骤：
S1.联邦学习中央控制服务器初始化联邦学习全局模型参数 以及联邦学习每轮迭代选取的MEC服务器数量为m；
S2.对于每轮迭代，中央控制服务器以固定概率对MEC服务器进行预采样，选择一批MEC服务器用于本地训练，获得局部模型参数；
S3.中央控制服务器收集来自预采样MEC服务器的局部模型参数，对局部模型参数进行聚合，并添加噪声，生成二次采样权重；
S4.在预采样的MEC服务器批次中，中央控制服务器通过采样权重进行二次采样，选择一批MEC服务器的本地局部参数，并进行加权聚合，生成本轮迭代的全局参数；
S5.若迭代次数达到阈值，则控制服务器广播全局模型参数/>，否则重复步骤S2-S4,进行下一轮迭代；
所述步骤S2中的预采样方法如下：
确定预采样选取的数量为，/>取大于1的正整数，以固定概率为/>采样获得的MEC服务器批次/>，对于联邦学习第/>次迭代过程中，中央控制服务器针对预采样的MEC服务器批次/>中的MEC服务器/>生成局部模型参数/>,/>，/>表示本地MEC服务器/>第/>次迭代的局部参数，并广播发送到对应本地MEC服务器，本地MEC服务器接收局部模型参数并以此为此轮训练初始模型参数，使用本地数据集训练联邦学习局部预测模型，经梯度裁剪获得局部模型参数/>，/>表示本地MEC服务器/>第/>次迭代的局部参数；
各个本地MEC服务器接收的局部参数，基于使用本地数据集训练联邦学习局部预测模型获得下轮局部模型参数/>的具体方法包括如下步骤：
S41，某一个MEC服务器从本地数据集中随机选择一部分数据生成训练集样本；
S42，以MEC服务器接收的局部参数为初始模型参数/>，即/>，以训练集样本通过随机梯度下降算法训练得到局部模型参数的梯度/>,其中，/>表示以数据集/>进行第v轮本地训练的局部模型参数的梯度；
S43，利用梯度正则化边界阈值C对局部模型参数梯度进行裁剪，并更新模型参数；
S44，本地训练预设的训练次数为,若训练次数小于/>,则重复上述步骤S41-S43；经过轮训练迭代，输出/>；
所述步骤S43中，本地MEC服务器局部模型裁剪更新公式为：
;
其中，表示第v次迭代后更新的MEC服务器本地局部参数值，/>表示第v-1次迭代后更新的MEC服务器本地局部参数值，/>代表本地训练模型学习率，/>表示/>的二阶矩；
所述步骤S3具体方法如下：
MEC服务器上传训练完的局部模型参数，中央控制服务器收集所有MEC服务器上传的本地局部预测模型参数，并根据收集到的数据得到二范数和，并为其添加符合差分隐私的高斯噪声得到/>，最终得到二次采样权重/>，具体高斯噪声加噪公式为：
;
其中，表示符合差分隐私机制的高斯噪声尺度值，所述符合差分隐私机制的高斯噪声是指添加的噪声值符合高斯分布且使本地模型参数符合差分隐私，/>表示全局敏感度，/>表示控制服务器设置的隐私预算值，/>表示获得未加噪声概率，/>指的是/>的二阶矩；
所述步骤S4具体方法如下：
以采样权重进行二次采样获得二次采样MEC服务器批次/>，控制服务器对二次采样得到的MEC服务器本地局部参数进行加权聚合，具体公式为：
;
其中，为新一轮的全局模型参数，/>为第b个MEC服务器的局部模型参数，表示/>批次中所有MEC服务器总数据样本数量，/>为第b个MEC服务器参与训练的数据样本数量与/>批次中所有MEC服务器总数据样本数量的比例。
2.根据权利要求1所述的一种智能电网双重采样优化的差分隐私联邦学习方法，其特征在于，联邦学习系统包括N个MEC服务器以及 1个中央控制服务器，表示第n个MEC服务器，/>；MEC服务器包括智能电表用电数据聚合模块以及本地联邦学习局部预测模型；所述用电数据聚合模块功能是收集区域内所有智能电表的电力数据，用于生成各个本地MEC服务器本地训练时的用电数据集；各MEC服务器采用所述用电数据集训练自身的联邦学习局部预测模型，所述中央控制服务器负责联邦学习局部预测模型初始化，模型局部参数聚合和全局模型更新的任务。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序执行权利要求1-2任一项所述的一种智能电网双重采样优化的差分隐私联邦学习方法。
4.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1-2中任一项所述的一种智能电网双重采样优化的差分隐私联邦学习方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410310915.6A CN117933427B (zh) | 2024-03-19 | 2024-03-19 | 一种智能电网双重采样优化的差分隐私联邦学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410310915.6A CN117933427B (zh) | 2024-03-19 | 2024-03-19 | 一种智能电网双重采样优化的差分隐私联邦学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117933427A CN117933427A (zh) | 2024-04-26 |
| CN117933427B true CN117933427B (zh) | 2024-05-28 |
Family
ID=90752376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410310915.6A Active CN117933427B (zh) | 2024-03-19 | 2024-03-19 | 一种智能电网双重采样优化的差分隐私联邦学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117933427B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378749A (zh) * | 2019-07-25 | 2019-10-25 | 深圳前海微众银行股份有限公司 | 用户数据相似性的评估方法、装置、终端设备及存储介质 |
| CN111062493A (zh) * | 2019-12-20 | 2020-04-24 | 深圳前海微众银行股份有限公司 | 基于公共数据的纵向联邦方法、装置、设备及介质 |
| CN111091199A (zh) * | 2019-12-20 | 2020-05-01 | 哈尔滨工业大学（深圳） | 一种基于差分隐私的联邦学习方法、装置及存储介质 |
| CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
| CN112541592A (zh) * | 2020-12-06 | 2021-03-23 | 支付宝(杭州)信息技术有限公司 | 基于差分隐私的联邦学习方法、装置及电子设备 |
| CN114841364A (zh) * | 2022-04-14 | 2022-08-02 | 北京理工大学 | 一种满足个性化本地差分隐私需求的联邦学习方法 |
| CN116305289A (zh) * | 2023-05-15 | 2023-06-23 | 湖南工商大学 | 医疗隐私数据处理方法、装置、计算机设备及存储介质 |
| CN117171814A (zh) * | 2023-09-28 | 2023-12-05 | 数力聚(北京)科技有限公司 | 一种基于差分隐私的联邦学习模型完整性验证方法、系统、设备及介质 |
| CN117349672A (zh) * | 2023-10-31 | 2024-01-05 | 深圳大学 | 基于差分隐私联邦学习的模型训练方法、装置及设备 |
| CN117669697A (zh) * | 2023-11-17 | 2024-03-08 | 重庆大学 | 可信任的压缩感知和混洗的差分隐私联邦学习方法 |
-
2024
- 2024-03-19 CN CN202410310915.6A patent/CN117933427B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378749A (zh) * | 2019-07-25 | 2019-10-25 | 深圳前海微众银行股份有限公司 | 用户数据相似性的评估方法、装置、终端设备及存储介质 |
| CN111062493A (zh) * | 2019-12-20 | 2020-04-24 | 深圳前海微众银行股份有限公司 | 基于公共数据的纵向联邦方法、装置、设备及介质 |
| CN111091199A (zh) * | 2019-12-20 | 2020-05-01 | 哈尔滨工业大学（深圳） | 一种基于差分隐私的联邦学习方法、装置及存储介质 |
| CN111611610A (zh) * | 2020-04-12 | 2020-09-01 | 西安电子科技大学 | 联邦学习信息处理方法、系统、存储介质、程序、终端 |
| CN112541592A (zh) * | 2020-12-06 | 2021-03-23 | 支付宝(杭州)信息技术有限公司 | 基于差分隐私的联邦学习方法、装置及电子设备 |
| CN114841364A (zh) * | 2022-04-14 | 2022-08-02 | 北京理工大学 | 一种满足个性化本地差分隐私需求的联邦学习方法 |
| CN116305289A (zh) * | 2023-05-15 | 2023-06-23 | 湖南工商大学 | 医疗隐私数据处理方法、装置、计算机设备及存储介质 |
| CN117171814A (zh) * | 2023-09-28 | 2023-12-05 | 数力聚(北京)科技有限公司 | 一种基于差分隐私的联邦学习模型完整性验证方法、系统、设备及介质 |
| CN117349672A (zh) * | 2023-10-31 | 2024-01-05 | 深圳大学 | 基于差分隐私联邦学习的模型训练方法、装置及设备 |
| CN117669697A (zh) * | 2023-11-17 | 2024-03-08 | 重庆大学 | 可信任的压缩感知和混洗的差分隐私联邦学习方法 |
Non-Patent Citations (3)
| Title |
|---|
| Multi-Stage Asynchronous Federated Learning With Adaptive Differential Privacy;Li Yanan等;《IEEE transactions on pattern analysis and machine intelligence》;20231113;第46卷(第2期);1243-1256 * |
| 基于层次随机图的社会网络差分隐私数据发布;张伟等;《南京邮电大学学报(自然科学版)》;20160629;第36卷(第03期);23-32 * |
| 基于联邦学习的中心化差分隐私保护算法研究;徐茹枝等;《信息网络安全》;20240110;第24卷(第01期);69-79 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117933427A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Probabilistic solar irradiation forecasting based on variational Bayesian inference with secure federated learning | |
| Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| CN107563565B (zh) | 一种考虑气象因素变化的短期光伏分解预测方法 | |
| US20190155234A1 (en) | Modeling and calculating normalized aggregate power of renewable energy source stations | |
| EP1851571A2 (en) | System and method for enhanced measure-correlate-predict for a wind farm location | |
| CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
| Li et al. | Decomposition integration and error correction method for photovoltaic power forecasting | |
| Shayesteh et al. | Multi-station equivalents for short-term hydropower scheduling | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| Afrasiabi et al. | Deep learning architecture for direct probability density prediction of small‐scale solar generation | |
| Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
| Xiao et al. | Short-term power load interval forecasting based on nonparametric Bootstrap errors sampling | |
| Brégère et al. | Simulating tariff impact in electrical energy consumption profiles with conditional variational autoencoders | |
| Wang et al. | Design and research of hybrid forecasting system for wind speed point forecasting and fuzzy interval forecasting | |
| Liu et al. | A novel hybrid model based on GA-VMD, sample entropy reconstruction and BiLSTM for wind speed prediction | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| Souhe et al. | Forecasting of electrical energy consumption of households in a smart grid | |
| CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| Fang et al. | The influence of optimization algorithm on the signal prediction accuracy of VMD-LSTM for the pumped storage hydropower unit | |
| CN117933427B (zh) | 一种智能电网双重采样优化的差分隐私联邦学习方法 | |
| Połap et al. | Energy consumption prediction model for smart homes via decentralized federated learning with LSTM | |
| Li et al. | Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors | |
| CN116581755A (zh) | 功率预测方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |