本发明涉及联合学习技术领域，特别涉及一种基于参数扩充的联合学习方法、装置及系统；所述方法包括在本地训练全局模型，记录本地训练过程中产生的梯度值；利用梯度值集合采用扩充法改进k匿名算法，扩充出参数集合；将这些参数集合发送给服务器，服务器将对接收到的参数集合进行单点聚合，求出每个参数集合中的平均值；将这些平均值采用加权平均求出新的参数；利用新的参数构建新的全局模型，测试所述新的全局模型是否满足停止迭代条件，若满足，则停止训练过程，否则服务器将全局模型发送至计算设备继续进行训练；在上述方案中，本发明可以解决联合学习过程中的重构攻击问题，增强参数的隐匿性，保护数据安全。
📄 2020110153988
📂 G06F18_214
👤 重庆邮电大学
📅 2020-09-24
本发明涉及一种基于邻域一致和残差排序的指导性数据采样方法,包括以下步骤：步骤S1:从输入数据中随机选取一个数据，然后通过计算选定数据点的邻域一致信息来判断该数据点是否为内点;如果选定的数据点是内点，则将选择该数据点作为种子数据,否则，重复执行步骤S1，直到选择一个内点或达到最大重复次数,如果在迭代执行上述步骤后未找到一个内点，则随机选择一个数据点作为种子数据;步骤S2:选定种子数据后，通过残差索引来计算种子数据和输入数据的采样权重;步骤S3利用采样权重从除种子数据以外的输入数据中选取数据子集的其它数据。本发明可以用于鲁棒模型拟合中，从而应用于视频编码变换估计、增强现实、3D刚性配准和平面检测等计算机视觉任务。
📄 2022114130433
📂 G06F18_214
👤 闽江学院
📅 2022-11-11
本发明公开了一种基于变分生成对抗网络的个体处理效应评估方法，采用变分自编码器推断观测特征的隐表示，来获取完整的潜在因素，设计生成对抗网络推断反事实结果并指导变分自编码器更好地解耦潜在因素为工具因素，混淆因素以及调整因素，同时引入了一种自适应加权的方法基于解耦的混淆因素进一步控制数据偏差。本发明基于变分自编码器与生成对抗网络设计协同学习策略，提出变分生成对抗网络模型来估计个体处理效应，与现有方法相比，提高了个体处理效应评估的准确率。
📄 2021115768273
📂 G06F18_214
👤 南京邮电大学
📅 2021-12-21
本发明公开了一种台风风场风速时空预测方法，具体为：基于地面气象观测站、卫星遥感平台及再分析数据集，获取多源气象要素；采用多源异构数据融合机制对多源数据进行预处理，得到不规则时空观测集合；将所有地面气象观测站，卫星遥感平台以及再分析数据集对应的台风观测系统作为节点，共N个节点；为N个节点构建特征矩阵X，同时构建时间超边和空间超边，基于特征矩阵X和两种超边构建时空超图；对时空超图进行特征提取，得到高阶特征；将高阶特征输入至改进的Transformer编码器，得到未来时刻台风风场风速预测值。本发明可服务于风能评估、极端天气预警及动态风场重建等应用场景。
📄 2026100772090
📂 G06F18_214
👤 南京信息工程大学
📅 2026-01-21
本发明公开了一种区分简单与困难样本的无监督域适应方法，包括：依据目标域样本的熵值来对目标域样本进行区分，将熵值大于等于预设熵值阈值的样本定义为简单样本，将熵值小于预设熵值阈值的样本定义为困难样本；对于分类为简单样本的目标域样本，采用源域训练好的分类器对其分配伪标签；对于分类为困难样本的目标域样本，利用步骤S2中分配好伪标签的简单样本将无监督域适应调整为半监督域适应，通过源域标签和目标域简单样本的标签来训练得到更加鲁棒的分类器，计算类中心，分别优化域间对比对齐和实例对比对齐，以减少域间和域内差异。本发明能够解决现有的域适应方法中对于目标域困难样本分类错误的问题。
📄 2022103771975
📂 G06F18_214
👤 南京信息工程大学
📅 2022-04-11
本发明公开了一种基于样本扩充和筛选的主动增强软测量方法，包括以下步骤：1)获取工业聚乙烯熔融指数数据；2)聚乙烯数据的数据集划分以及预处理；3)生成虚拟样本扩充数据集；4)建立基于支持向量回归的选择性生成对抗网络SGAN‑SVR软测量模型；5)模型表现评估。本发明方法根据形心度量准则和原始样本的统计特性，从基于梯度惩罚的生成对抗网络WGAN‑GP模型生成的虚拟样本中筛选高质量的生成样本，作为原始样本的补充，提高了支持向量回归SVR模型对MI指标的预测准确率。
📄 2021109995848
📂 G06F18_214
👤 浙江工业大学
📅 2021-08-29
本发明公开了一种基于声谱图的声纹识别集成模型的防御方法，包括：(1)采集音频文件，并对音频文件转化为声谱图，该声谱图作为良性样本；(2)利用良性样本训练多个声纹识别模型，获得训练好的多个声纹识别模型；(3)采用投票机制从训练好的多个声纹识别模型从筛选获得较优的多个声纹识别模型进行集成，形成声纹识别集成模型，利用良性样本重新训练声纹识别集成模型；(4)采集布谷鸟搜索算法分别攻击多个声纹识别模型，生成对抗样本；(5)利用对抗样本和良性样本对步骤(3)获得的声纹识别集成模型进行再训练，获得能够抵抗攻击的声纹识别集成模型；(6)利用步骤(5)获得的声纹识别集成模型对音频文件对应的声谱图进行防御识别。
📄 2020101058077
📂 G06F18_214
👤 浙江工业大学
📅 2020-02-20
本发明公开了一种基于侧信道信息对深度神经网络灰盒攻击的方法，包括：(S1)：在嵌入式智能设备上运行各种常见的深度学习模型，同时采集设备运行时的各种功耗数据；(S2)：基于侧信道攻击来识别目标模型的基本网络结构；(S3)：利用识别出的网络结构生成等价模型；(S4)：使用训练的等价模型生成对抗样本。本发明还包括一种基于测信道信息的深度神经网络黑盒对抗样本生成系统，由数据采集模块、识别深度学习模型模块、等价模型生成模块和对抗样本生成模块组成；本发明可以根据功耗轨迹使用适当的机器学习算法识别出模型结构，然后利用识别出的模型结构训练出和目标模型有相同决策边界的等价模型，最后利用等价模型生成对抗样本对目标模型进行攻击。
📄 2021103114894
📂 G06F18_214
👤 浙江工业大学
📅 2021-03-24
本发明公开了一种基于隐私保护的个性化联邦学习方法和装置，客户端进行每轮训练，得到训练好的本地模型矩阵参数并上传给相对应的个性化模型；根据本轮训练好的本地模型矩阵参数的变化量，计算每个客户端的阈值，随后计算每个客户端的频率稀疏度；根据频率稀疏度集合，将客户端分簇；对同一个簇的客户端上传的本地模型参数求平均，并将平均值作为新的全局模型矩阵参数下发给同一个簇的客户端；重复直至全局模型收敛，完成个性化联邦学习的训练。本发明在计算频率稀疏度过程中始终保护用户隐私，通过稀疏度的相似性对客户端进行聚类，形成K个簇，对这K个簇的客户端分布进行聚合操作，以达到协作训练和个性化联邦学习的效果。
📄 2022110143152
📂 G06F18_214
👤 浙江工业大学
📅 2022-08-23
本发明公开了一种基于迁移学习生成无偏见深度学习模型的方法，包括以下步骤：(1)构建带有样本图像的任务标签和偏见标签的原始数据集；(2)利用原始数据集对有偏见深度学习模型进行训练；(3)构建并训练对抗攻击网络，利用训练好的对抗网络对原始数据集进行攻击，无偏见数据集；(4)利用无偏见数据集训练与有偏见深度学习模型结构相同的初始无偏见深度学习模型；(5)准备第三特征提取器，基于迁移学习策略对第三特征提取器参数，参数确定的第三特征提取器与训练好的初始无偏见深度学习模型包含的第二分类器组成无偏见深度学习模型，以保证深度学习模型在根据输入图像自动决策时的公平性，以提升图像识别的准确性。
📄 2020107508975
📂 G06F18_214
👤 浙江工业大学
📅 2020-07-30
一种边‑云协同的深度神经网络模型训练方法，先由中心云训练得到一个普适化模型，随后将该模型迁移到边缘服务器上，边缘服务器对该普适化模型进行微调和再训练，微调的方式是冻结普适化模型除最后一层以外的所有神经网络层的参数，再修改最后一层全连接层的参数(主要通过修改神经元的个数实现)，然后以自身的个性化数据为训练数据集，再训练该普适化模型，得到一个能够表征当前场景个性化特点的且准确率更高的个性化DNN模型。本发明提升模型预测准确率。
📄 2021103068364
📂 G06F18_214
👤 浙江工业大学
📅 2021-03-23
本发明公开了一种基于通道检测的面向无线信号识别的对抗攻击防御方法与装置，包括：(1)训练无线电信号调制类型识别模型DNN、无线信号特征映射模型F；(2)生成对抗无线信号；(3)利用映射模型F获得的对抗无线信号和良性无线信号的映射图像；(4)对映射图像进行变换操作，利用DNN获得的变换后的映射图像的置信度矩阵；(5)利用置信度矩阵训练通道检测模型D；(6)对待识别无线信号进行图片映射，图片变换后获得对应的置信度矩阵，利用训练好的通道检测模型D获得待识别无线信号的识别结果，该对抗攻击防御方法与装置能够实现对无线信号的攻击防御。
📄 2019110319228
📂 G06F18_214
👤 浙江工业大学
📅 2019-10-28
柿子坊 · 知识产权运营
柿子坊知识产权运营平台