专利交易市场

本发明属于时序数据检索技术领域，特别涉及一种基于边缘协同分类的电力时序数据检索方法，包括对电力数据集进行K‑shape聚类，并根据肘部法则得到最佳聚类数；根据聚类的分类结果，利用残差神经网络模型创建分类模型；采用联邦学习对不同边缘设备上的模型参数进行聚合；当用户输入时序数据进行检索时，利用残差神经网络模型对该时序数据进行分类；对每个类别的数据进行DTW计算，将最近似的N条时序数据作为检索结果推荐给用户；本发明解决智能算法的资源需求与边缘设备受限于资源之间的矛盾、服务质量与隐私保护之间的矛盾、智能任务需求多样与边缘设备能力单一之间的矛盾问题，实现对不同边缘设备的协同分类与检索。

本发明属于图数据安全领域，具体涉及一种图网络分类模型的训练方法、装置、系统及电子设备；所述方法包括采集图数据集，并将所述图数据集划分为有标签节点和无标签节点；将有标签节点的图数据输入到分类模型进行训练；使用训练完成后的分类模型对无标签节点的图数据分类；随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型；本发明用训练好的分类模型对无标签节点的标签进行预测，这样有利于解决连通性问题以及半监督学习中的低标签率问题。本发明能够有效地提高节点分类模型的鲁棒性。