本发明公开了一种基于模型权重更迭的联邦学习搭便车防御方法和装置，首先初始化联邦学习训练环境；服务器将初始的全局模型下发给各个客户端，开始联邦学习训练；各个客户端进行联邦训练，并生成本地模型，训练结束后保存模型参数并计算更新变化频率F矩阵；各个客户端将本地模型参数和权重变化频率矩阵上传至服务端；服务端通过聚合算法得到全局模型，并计算各个客户端间的欧式距离和计算各自权重的平均变化频率，并对欧式距离和平均频率异常的客户端进行标记；服务端下发给各个客户端更新后的全局模型；重复上述步骤客户端每上传一次参数，服务端进行一次筛查，当某客户端被异常标记3次，则认为其是搭便车攻击者，将其踢出联邦学习训练。
📄 2021116572956
📂 G06N20_20
👤 浙江工业大学
📅 2021-12-30
本发明公开了一种基于模仿学习和注意力机制的深度强化学习策略保护防御方法和装置，包括：利用A3C网络对目标智能体进行预训练得到目标策略，再采样多个回合的其序列状态和动作对作为专家数据；其次将专家数据中的状态输入到模仿学习网络的行动者网络中根据模仿策略来生成动作，再将模仿学习的状态动作对与专家数据一起放入到判别器中，利用判别器的输出作为奖励值来指导模仿策略的学习；然后对目标智能体的目标函数进行修改，增加基于模仿策略的惩罚性以调整目标策略；最后利用注意力机制从模仿学习网络中提取浅层特征来生成对抗样本，对目标模型进行对抗训练，以增强目标模型的鲁棒性。
📄 2021105924260
📂 G06N20_20
👤 浙江工业大学
📅 2021-05-28
本发明公开了高延时网络环境鲁棒的联邦学习训练方法、装置、计算机设备及存储介质，涉及人工智能技术，包括获取当前系统时间，若未接收到若干个数据上传终端上传的加密数据，获取对应的目标数据上传终端；获取各目标数据上传终端的当前网络时延值以得到最大网络时延值；根据最大网络时延值及单位时序间隔步长，计算得到延时步长；将当前系统时间与延时步长求和得到目标系统时间，若当前时间为目标系统时间且未接收到目标数据上传终端上传的目标加密数据，停止本地的联邦学习训练，直至接收到所有目标数据上传终端上传的目标加密数据后，恢复本地的联邦学习训练。实现了在有网络延时的情况下，通过时延稀疏更新的方式保持联邦学习的训练效率。
📄 202010858570X
📂 G06N20_20
👤 平安科技(深圳)有限公司
📅 2020-08-24
本发明公开了基于可解释性图神经网络的风电机组异常检测与定位方法，属于风电机组状态监测领域，所述方法包括S1、筛选多变量时间序列SCADA数据；S2、协变量预处理及谱域图卷积网络模型初始化；S3、将协变量预处理之后的健康数据输入谱域图卷积网络，提取特征；S4、根据训练集设置阈值；S5、通过检测与定位模块进行异常检测和异常定位；S6、通过事后可解释性模块进行异常检测和定位；S7、将检测与定位模块和决策可解释性模块综合评估，对机组健康状态进行科学性的评估和指导。本发明实现了对机组故障的早期预警，实现了对机组故障的精准定位，有利于在亚健康时及时对机组进行处理和维护，避免机组及关键部件的深度伤害。
📄 2022108732163
📂 G06N20_20
👤 燕山大学
📅 2022-07-21
本发明公开了一种基于机器学习的地表温度估算方法，包括：收集近地面气象观测数据，建立气象资料数据库；整合气象资料数据库的气象数据，得到建模所需的样本；对样本进行逐层递进的三级情境划分，分别建立各个情境的训练数据库；结合各个情境的训练数据库，为不同情境分别优选模型的最优自变量组合与算法；采用各个情境最优的自变量组合和算法建立各情境的模型，通过交叉验证对模型进行逐个测试，确定各个情境下的模型的最适参数，完成模型训练；将待估算自变量输入对应情境的估算模型，进行地表温度估算，本申请对地表温度估算问题展开研究，进行情境划分，分别搭建各情境的地表温度估算模型，有效提高了地表温度估算精度和模型应用的普适性。
📄 2024117860155
📂 G06N20_20
👤 南京信息工程大学
📅 2024-12-06
本发明公开了一种工业过程关键性指标软测量的建模方法，采集关键性的指标变量；使用t‑SNE提取数据特征；构建多层软测量集成模型，第一层建立基于误差校正的基模型，使用GRU，LightGBM，KNN分别预测，并使用TOCSA算法优化的XGBoost对初步预测结果进行校正。第二层建立基于误差加权的融合模型，将第一层各模型的软测量预测结果进行加权融合，利用LSSVM模型对这一融合结果进行进一步预测，得到了两组预测结果。第三层建立二次误差加权的集成模型，将第二层得到的两组结果再次基于误差加权得到最终结果。使用建立好的模型对工业中难以检测的关键指标进行软测量预测。本发明能够提高建模精度、增强模型的鲁棒性，能够适应复杂工业过程，并提高实时性和响应速度。
📄 2024101827072
📂 G06N20_20
👤 淮阴工学院
📅 2024-02-18
本发明公开了基于改进金枪鱼群算法优化GBDT对气温进行偏差订正的方法，包括：获取待测地历史气温实际数据和天气预报气象数据，并进行归一化处理；构建GBDT模型；利用多策略对金枪鱼群优化算法进行优化，利用ITSO对GBDT模型的超参数进行优化；筛选天气预报气象数据的天气要素，利用不同天气要素组合的数据对ITSO‑GBDT模型进行训练，将训练之后的ITSO‑GBDT模型作为气温预报偏差订正模型，筛选出用于气温预报偏差订正的预报要素组合；将筛选后的预报要素组合数据和时间步长输入至气温预报偏差订正模型，得到气温预报偏差订正后的结果。本发明解决数值天气预报中气温不准确的问题，并且在原有预测气温基础上进一步缩小气温预报误差值。
📄 2024101161964
📂 G06N20_20
👤 南京信息工程大学
📅 2024-01-29
本发明公开了一种联邦学习模型中毒重建的方法、装置、介质及设备，所述方法包括获取中毒的联邦学习模型；基于各客户机在训练期间的本地模型的准确率，筛选出在联邦学习模型训练期间中毒的客户机，删除联邦学习模型中由中毒的客户机聚合得到的局部模型，将中毒的客户机作为恶意节点、未中毒的客户机作为诚实节点，将恶意节点从初始DAG网络中移除，得到第二DAG网络；基于第二DAG网络中各诚实节点的本地模型，逐轮聚合各诚实节点的本地模型，得到联邦学习模型的最新全局模型，完成联邦学习模型中毒重建。本发明能够快速剔除恶意节点，将已有的阶段训练成果加入到新一轮训练中，提高联邦学习的训练效率和抗攻击能力。
📄 2023110075395
📂 G06N20_20
👤 南京信息工程大学
📅 2023-08-11
本发明涉及一种基于计算资源逻辑分层的联邦学习通信优化方法及系统，属于联邦机器学习领域，首先，云中心根据所有终端参与设备的本地计算资源大小将其划分为多个计算资源大小均衡的计算簇，并在每个计算簇中筛选一个计算资源最多的终端设备作为簇的Head节点，构建基于“云中心‑Head节点‑终端设备”一体的分层通信架构，实现粗粒度的簇间计算资源均衡。然后，在每个簇中，设计加权平均全局模型更新机制，将混合权重设置为Staleness的函数，使计算资源丰富的终端设备能够与Head节点进行更多轮通信，从而实现簇内协作训练，进而以细粒度的方式对计算资源进行再分配。本发明从本质上解决了联邦学习技术中的高通信代价问题。
📄 202111139211X
📂 G06N20_20
👤 重庆邮电大学
📅 2021-09-26
柿子坊 · 知识产权运营
柿子坊知识产权运营平台