CN112348200A - 一种基于联邦学习的受控共享学习方法及*** - Google Patents
一种基于联邦学习的受控共享学习方法及*** Download PDFInfo
- Publication number
- CN112348200A CN112348200A CN202011203717.8A CN202011203717A CN112348200A CN 112348200 A CN112348200 A CN 112348200A CN 202011203717 A CN202011203717 A CN 202011203717A CN 112348200 A CN112348200 A CN 112348200A
- Authority
- CN
- China
- Prior art keywords
- model
- client
- clients
- data
- shared
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/176—Support for shared access to files; File sharing support
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于联邦学习的受控共享学习方法及***,包括接收各客户端模型Vi,t的参数,并根据参数从各客户端中选取一或多个共享客户端,向共享的客户端发送共享指令,其中模型Vi,0通过各客户端的算力构建并依据相应私有数据集训练得到,且各模型Vi,0的分类模块结构一致;获取共享客户端模型Vi,t的分类模块参数St,并将计算得到的分类模块参数St+1发送至各客户端,以使各客户端依据私有数据集与分类模块参数St+1得到模型Vi,t+1。本发明仅需提供模型部分参数完成共享学习,使数据安全得到了很好的保障;且各客户端模型、是否参与共享学习等都自主可控。
Description
技术领域
本发明涉及计算机软件领域,尤其涉及一种基于联邦学习的受控共享学习方法及***。
背景技术
数据作为人工智能技术的基石,随着人工智能技术的快速发展,数据安全隐私问题受到人们的广泛关注。由于数据隐私、通信安全等问题,导致深度学习模型无法充分利用这些数据。故人们为解决这类问题,提出了诸如联邦学习、共享学习等分布式机器学习方法。这些方法能够在不直接暴露本地数据的前提下,使得模型有效学习到各个客户端的本地数据。
联邦学习是指通过在多个相互独立的客户端上进行机器学习,并在服务端联合客户端模型梯度的一种方法。联邦学习是通过聚合各个客户端的模型,以此进行机器学习建模的方法。客户端无需向其他客户端暴露本地数据,只上传客户端训练好的模型相关参数即可。因而联邦学习可以在有效利用数据的前提下,保证客户端的数据不被泄露。
联邦学***均后发送回客户端,客户端根据收到的梯度参数进行梯度下降,以此更新模型。联邦学习中的客户端之间是相互独立、阻断通信的,因此数据不会被直接泄露给外部,是一种能够很好地保护客户端数据隐私与安全的学习方法。
一般的联邦学习要求客户端模型架构一致,这对于客户端的数据与算力提出了一定的要求。并且当模型体积较大时,会提高客户端与服务端间的通信成本。更甚,现在已有技术可根据模型梯度还原客户端的本地数据,例如专利申请CN111008709A公开了一种联邦学习、资料风险评估方法、装置和***,因此联邦学习还存在一定的安全性问题。
例如中国专利申请CN111260061A公开了一种联邦学习梯度交换中的差异化加噪方法,其通过每一数据方将对应的梯度进行分层处理,计算每一层梯度对应的二范数,并将二范数对每一层梯度进行加噪的数据发送至服务中心,以得到聚和后的梯度,但该方法会增加额外的计算成本,降低训练速度;中国专利申请CN110704860A公开了一种提升安全性的纵向联邦学习方法、设备、***及存储介质,其通过各数据方的加随机数加密梯度值,将计算得到加随机数梯度值返回至各数据方,以训练模型,但该方法需要更多的硬件设施。上述两个专利申请均需传输完整的模型参数或者梯度,网络通信参数量很大,均会不同地增加计算成本,提高通信成本,并使训练速度降低。
综上所述,现有的联邦学习技术中具有以下技术缺陷:
1)由于本地客户端模型的体积庞大、客户端数量众多,这导致通信开销大大增加,提高了训练成本,影响整体学习速度;
2)在模型传输过程中,不论是传输模型的梯度还是模型的参数,都有泄露客户端数据的风险,不能很好地保障数据安全;
3)联邦学习要求各个模型一致,各个模型不能被定制,导致模型性能下降、无法按需训练模型。
发明内容
为解决上述问题,本发明的目的在于提供一种基于联邦学习的受控共享学习方法及***,旨在降低联邦学习中的通信成本、保障本地数据不会在通信过程中被模型泄露、客户端可控地定制模型,从而解决当前联邦学习应用场景受限的技术问题。
为实现上述目的,本发明的技术方案如下:
一种基于联邦学习的受控共享学习方法,适用于一服务端与若干客户端组成的网络***,其步骤包括:
1)接收各客户端模型Vi,t的参数,并根据参数从各客户端中选取一或多个共享客户端,向共享的客户端发送共享指令,其中i为客户端序号,t为完成联邦学习次数,t≥0,模型Vi,0通过各客户端的算力构建并依据相应私有数据集训练得到,且各模型Vi,0的分类模块架构一致;
2)获取共享客户端模型Vi,t的分类模块参数St,并将计算得到的分类模块参数St+1发送至各客户端,以使各客户端依据私有数据集与分类模块参数St+1得到模型Vi,t+1。
进一步地,训练模型Vi,0之前,对私有数据集进行预处理;所述预处理包括:数据清洗和数据加强。
进一步地,除分类模块之外,模型Vi,0的其它模块架构可灵活设计。
进一步地,所述服务端设置一时间阈值;若发送指令后,超过该时间阈值,则不再接收客户端模型Vi,t的分类模块参数St。
进一步地,所述参数包括:梯度值之和。
进一步地,通过以下步骤选取若干共享客户端:
1)将模型Vi,t梯度值之和由小到大进行排序;
2)选取排序前n个的梯度值之和,作为共享依据值,1≤n≤客户端总数;
3)将共享依据值相应的客户端,作为共享客户端。
进一步地,得到分类模块参数St+1的方法包括:将各分类模块参数St进行加权平均。
一种基于联邦学习的受控共享学习***,包括:
一服务端,用以接收各客户端模型Vi,t的参数,并根据参数从各客户端中选取一或多个共享客户端,向共享客户端发送共享指令,其中i为客户端序号,t为完成联邦学习次数;获取共享客户端模型Vi,t的分类模块参数St,并将计算得到的分类模块参数St+1发送至各客户端;
若干客户端,其中每一客户端包括:
管理平台,用以根据算力构建模型Vi,0的架构;
计算平台,用以依据私有数据集训练得到模型Vi,0;用以依据私有数据集与分类模块参数St+1得到模型Vi,t+1;
通信平台,用以将模型Vi,t的参数发送至服务端;若被选为共享客户端,将模型Vi,t的分类模块参数St发送至服务端;
进一步地,所述客户端还包括数据平台,用以对私有数据集进行数据清洗和数据增强。
进一步地,所述管理平台还用以调度计算平台、通信平台和数据平台及对客户端进行管理并对信息进行可视化展示。
进一步地,所述参数包括:梯度值之和。
与现有技术相比,本发明的改进了已有技术的不足:
1.在通信成本上,无需提供所有模型参数,仅需提供模型部分参数完成共享学习;
2.在通信安全上,由于传输过程中模型参数不完整,故数据安全得到了很好的保障;
3.在模型控制上,客户端可以根据数据集的特点定制模型,使得模型自主可控;通信传输也是完全由客户端自主决定是否参与更新,使得客户端能够根据需求自主控制更新时间。
附图说明
图1为本发明提供的受控共享学习方法过程图。
图2为本发明提供的受控共享学习方法的步骤流程示意图。
图3为本发明提供的受控共享学习方法的时序流程图。
图4为本发明提供的受控共享学习装置结构示意图。
具体实施方式
为帮助更好的理解与实施上述方案,下面结合附图对本发明进行详细说明。
如图1所示,本申请实施例提供的基于联邦学习的受控共享学习方法,根据客户端的数据与算力定制模型架构,并且无需传输完整的客户端模型,这样不仅降低了服务端与客户端的通信成本,还能确保数据不被还原,保障本地的数据隐私与安全。这种联邦学习方法称为受控共享学习。
比如有若干家医院,拥有相似的数据样本,均满足机器学习的基本条件,但其中甲医院的数据样本数量远大于其他医院拥有的数据样本数量。此时,甲医院的模型架构相较于其他家医院需要更加复杂,这样才能使得甲医院的数据被充分利用。
如图2所示,本发明提供的受控共享学习方法,所述受控共享学习方法应用于受控共享学习***,所述受控共享学习***包括多个客户端,所述受控共享学习方法包括以下步骤:
1)各客户端采集所需的训练数据集,并对数据集进行预处理;
2)各客户端根据数据集大小与算力强弱等设计模型架构,并保证各个模型分类模块一致;
3)客户端根据数据集进行训练,客户端将模型训练好的梯度值求和发送至服务端。
4)服务端收到所有客户端发送的梯度值后,选取其中最小的若干个梯度值对应的客户端,向其发送共享指令。
5)收到共享指令的客户端,发送本地模型的分类模块参数至服务端,即各客户端模型架构相同部分。
6)服务端收到上述客户端的模型参数后,对所有的模型参数进行加权平均,得到聚合后的模型参数。
7)服务端将更新后的模型参数发送至所有客户端。
8)客户端收到模型参数后,替换对应的分类模块的模型参数。
9)步骤3-8以此往复,不断迭代更新模型。
其中,根据客户端本地数据样本设计好对应的模型架构。需要说明的是,这里客户端模型架构需要保证模型的分类模块相同。客户端根据本地的数据训练模型,并且对模型的梯度求和,发送该梯度值至服务端。这里发送梯度值有两个作用:(a)客户端请求参与该轮的共享学习;(b)服务端可根据模型梯度值来判断模型的收敛程度。客户端发送梯度值后,保存训练的模型参数,便于模型的回滚以及模型的更新;并且进入等待状态,准备接受服务端的共享指令或更新后的模型参数。
服务端在收到第一个客户端发送的梯度值后,通过设定一个时间阈值,确保及时收到其余客户端发送的梯度值,避免个别客户端由于网络等原因影响训练速度。之后服务端对所有梯度值进行排序操作,再向其中梯度值最小的若干个客户端发送共享指令。
收到共享指令的客户端,截取模型中分类模块的模型参数,发送至服务端,随后便又进入等待状态,直至服务端发回更新后的模型参数。
服务端在确保收到对应的客户端模型参数后,对模型参数进行加权平均操作。服务端最后聚合后的模型参数发回各个客户端,客户端将更新后的模型参数替换原有模型的分类模块。以此进行下一轮学习。
在时间上,这样一轮学习中,客户端与服务端交互过程,如图3所示。客户端由于只需要发送模型的分类模型,故模型整体的架构可自由调整,并且无需传输完整的模型参数,大大减小了通信成本。而还原数据的前提是需要完整的模型参数或梯度,但这里只有部分模型参数,故无法被还原客户端数据,因此保障了客户端数据的隐私与安全。
本发明可根据实际情况对模型进行长期的定期学习更新,也可在一定条件下截止受控共享学习。其中,截止条件包括:
1)所有客户端模型精度波动不大,即模型达到较好的收敛;
2)服务端根据***的学习情况,即各客户端模型收敛情况,主动结束学习。
如图4所示,本申请提供一种受控共享学***台:管理平台、数据平台、计算平台、通信平台。其中,管理平台包括对模型架构的设计,客户端信息的可视化展示,如网络、硬件状态等,客户端模型的调度等;数据平台只处于客户端,含数据清洗、数据增强等数据操作;计算平台包括模型的训练、截取、更新、保存、读取等;通信平台保证客户端与服务端能够正常进行网络通信。
管理平台对其余平台进行调度与监控。首先,管理平台对数据平台下发指令,对原始数据进行预处理;之后,数据平台输出的数据直接进入计算平台,由管理平台下达指令开始受控共享学***台完成模型的训练后,相应参数交由通信平台与服务端进行通信;通信平台获取更新后的模型交由计算平台进行模型的更新;计算平台对模型进行更新后,重复上述过程。
下述为本发明的一实际应用:
在医疗影像领域,为保证各大医院的患者数据隐私,这些数据不允许公开及共享。为安全有效地利用这些影像数据,利用本平台可以在***露各医院数据的前提下,联合参与医院的模型进行训练学习。
实验数据(医疗影像):对于语义分割任务而言,主要有BraTs 2018数据集,它包含285例脑肿瘤患者的术前MRI扫描,扫描方式有T1加权,T1加权增强,T2加权和T2液体衰减反转恢复四种扫描方式。该数据集常用于评估具有多模态和多分类分割任务。
对于图像分类任务而言,NIH Chest X-Ray数据集包含10万张胸部X射线检查的去标识化图像。每张图片均由多位专家审核打上标签。
表1列出了对于几种任务的通信参数量对比。这里以五个客户端、一百轮迭代为例,其中M表示109。
表1
由表1可知,本发明可以显著减少通信过程中的参数量,10倍至20倍不等,在大模型、多客户端等场景下会愈加明显。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体,但并不能因此理解为对本发明专利范围的限制。应当指出,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应当以所附权利要求为准。
Claims (10)
1.一种基于联邦学习的受控共享学习方法,适用于一服务端与若干客户端组成的网络***,其步骤包括:
1)接收各客户端模型Vi,t的参数,并根据参数从各客户端中选取一或多个共享客户端,向共享的客户端发送共享指令,其中i为客户端序号,t为完成联邦学习次数,t≥0,模型Vi,0通过各客户端的算力构建并依据相应私有数据集训练得到,且各模型Vi,0的分类模块架构一致;
2)获取共享客户端模型Vi,t的分类模块参数St,并将计算得到的分类模块参数St+1发送至各客户端,以使各客户端依据私有数据集与分类模块参数St+1得到模型Vi,t+1。
2.如权利要求1所述的方法,其特征在于,训练模型Vi,0之前,对私有数据集进行预处理;所述预处理包括:数据清洗和数据加强。
3.如权利要求1所述的方法,其特征在于,除分类模块之外,模型Vi,0的其它模块架构可灵活设计。
4.如权利要求1所述的方法,其特征在于,所述服务端设置一时间阈值;若发送指令后,超过该时间阈值,则不再接收客户端模型Vi,t的分类模块参数St。
5.如权利要求1所述的方法,其特征在于,所述参数包括:梯度值之和。
6.如权利要求1所述的方法,其特征在于,通过以下步骤选取若干共享客户端:
1)将模型Vi,t梯度值之和由小到大进行排序;
2)选取排序前n个的梯度值之和,作为共享依据值,1≤n≤客户端总数;
3)将共享依据值相应的客户端,作为共享客户端。
7.如权利要求1所述的方法,其特征在于,得到分类模块参数St+1的方法包括:将各分类模块参数St进行加权平均。
8.一种基于联邦学习的受控共享学习***,包括:
一服务端,用以接收各客户端模型Vi,t的参数,并根据参数从各客户端中选取一或多个共享客户端,向共享客户端发送共享指令,其中i为客户端序号,t为完成联邦学习次数;获取共享客户端模型Vi,t的分类模块参数St,并将计算得到的分类模块参数St+1发送至各客户端;若干客户端,其中每一客户端包括:
管理平台,用以根据算力构建模型Vi,0的架构;
计算平台,用以依据私有数据集训练得到模型Vi,0;用以依据私有数据集与分类模块参数St+1得到模型Vi,t+1;
通信平台,用以将模型Vi,t的参数发送至服务端;若被选为共享客户端,将模型Vi,t的分类模块参数St发送至服务端。
9.如权利要求8所述的***,其特征在于,所述客户端还包括数据平台,用以对私有数据集进行数据清洗和数据增强。
10.如权利要求8所述的***,其特征在于,所述管理平台还用以调度计算平台、通信平台和数据平台及对客户端进行管理并对信息进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203717.8A CN112348200B (zh) | 2020-11-02 | 2020-11-02 | 一种基于联邦学习的受控共享学习方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203717.8A CN112348200B (zh) | 2020-11-02 | 2020-11-02 | 一种基于联邦学习的受控共享学习方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348200A true CN112348200A (zh) | 2021-02-09 |
CN112348200B CN112348200B (zh) | 2022-11-15 |
Family
ID=74355831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011203717.8A Active CN112348200B (zh) | 2020-11-02 | 2020-11-02 | 一种基于联邦学习的受控共享学习方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348200B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112312A (zh) * | 2021-05-13 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 针对用户生成模型的方法、装置和计算机可读存储介质 |
CN113537509A (zh) * | 2021-06-28 | 2021-10-22 | 南方科技大学 | 协作式的模型训练方法及装置 |
CN113901505A (zh) * | 2021-12-06 | 2022-01-07 | 北京笔新互联网科技有限公司 | 数据共享方法、装置、电子设备及存储介质 |
CN114997286A (zh) * | 2022-05-18 | 2022-09-02 | 大连理工大学 | 一种基于联邦支持向量机的金融客户分类方法及装置 |
CN114997286B (zh) * | 2022-05-18 | 2024-08-02 | 大连理工大学 | 一种基于联邦支持向量机的金融客户分类方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及*** |
CN111553483A (zh) * | 2020-04-30 | 2020-08-18 | 同盾控股有限公司 | 基于梯度压缩的联邦学习的方法、装置及*** |
CN111553484A (zh) * | 2020-04-30 | 2020-08-18 | 同盾控股有限公司 | 联邦学习的方法、装置及*** |
US20200272945A1 (en) * | 2019-02-21 | 2020-08-27 | Hewlett Packard Enterprise Development Lp | System and method of decentralized model building for machine learning and data privacy preserving using blockchain |
CN111865815A (zh) * | 2020-09-24 | 2020-10-30 | 中国人民解放军国防科技大学 | 一种基于联邦学习的流量分类方法及*** |
-
2020
- 2020-11-02 CN CN202011203717.8A patent/CN112348200B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200272945A1 (en) * | 2019-02-21 | 2020-08-27 | Hewlett Packard Enterprise Development Lp | System and method of decentralized model building for machine learning and data privacy preserving using blockchain |
CN110572253A (zh) * | 2019-09-16 | 2019-12-13 | 济南大学 | 一种联邦学习训练数据隐私性增强方法及*** |
CN111553483A (zh) * | 2020-04-30 | 2020-08-18 | 同盾控股有限公司 | 基于梯度压缩的联邦学习的方法、装置及*** |
CN111553484A (zh) * | 2020-04-30 | 2020-08-18 | 同盾控股有限公司 | 联邦学习的方法、装置及*** |
CN111865815A (zh) * | 2020-09-24 | 2020-10-30 | 中国人民解放军国防科技大学 | 一种基于联邦学习的流量分类方法及*** |
Non-Patent Citations (1)
Title |
---|
董业等: "基于秘密分享和梯度选择的高效安全联邦学习", 《计算机研究与发展》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112312A (zh) * | 2021-05-13 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 针对用户生成模型的方法、装置和计算机可读存储介质 |
CN113537509A (zh) * | 2021-06-28 | 2021-10-22 | 南方科技大学 | 协作式的模型训练方法及装置 |
CN113901505A (zh) * | 2021-12-06 | 2022-01-07 | 北京笔新互联网科技有限公司 | 数据共享方法、装置、电子设备及存储介质 |
CN113901505B (zh) * | 2021-12-06 | 2022-04-15 | 北京笔新互联网科技有限公司 | 数据共享方法、装置、电子设备及存储介质 |
CN114997286A (zh) * | 2022-05-18 | 2022-09-02 | 大连理工大学 | 一种基于联邦支持向量机的金融客户分类方法及装置 |
CN114997286B (zh) * | 2022-05-18 | 2024-08-02 | 大连理工大学 | 一种基于联邦支持向量机的金融客户分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112348200B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348200B (zh) | 一种基于联邦学习的受控共享学习方法及*** | |
US11645833B2 (en) | Generative adversarial network medical image generation for training of a classifier | |
US10540578B2 (en) | Adapting a generative adversarial network to new data sources for image classification | |
US10937540B2 (en) | Medical image classification based on a generative adversarial network trained discriminator | |
CN111178542B (zh) | 基于机器学习建模的***和方法 | |
US10902588B2 (en) | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities | |
CN112686385B (zh) | 面向多站点三维影像的联邦深度学习方法及*** | |
CN113850272A (zh) | 基于本地差分隐私的联邦学习图像分类方法 | |
CN113435365B (zh) | 人脸图像迁移方法及装置 | |
CN111932529A (zh) | 一种图像分割方法、装置及*** | |
CN113627433B (zh) | 基于数据扰动的跨域自适应语义分割方法及装置 | |
CN115858886A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN115098885A (zh) | 数据处理方法、***及电子设备 | |
TWI742312B (zh) | 機器學習系統、機器學習方法及其非暫態電腦可讀媒體 | |
US20230206080A1 (en) | Model training method, system, device, and medium | |
Wang et al. | Trustworthy Machine Learning: Robustness, Generalization, and Interpretability | |
Chang et al. | Privacy-preserving collaborative deep learning methods for multiinstitutional training without sharing patient data | |
CN116663049A (zh) | 一种基于区块链网络的医学图像分割协作方法 | |
CN115965782A (zh) | 面向小样本医学图像语义分割的高效通信联邦学习方法 | |
CN111415331B (zh) | 一种正位胸片中基于类别关系的异常检测方法及*** | |
CN113673476A (zh) | 人脸识别模型训练方法、装置、存储介质与电子设备 | |
CN117036910B (zh) | 一种基于多视图及信息瓶颈的医学图像训练方法 | |
Antun | Stability and accuracy in compressive sensing and deep learning | |
CN116975662A (zh) | 数据处理方法、装置、计算机设备、存储介质及产品 | |
CN118154495A (zh) | 脑中线确定方法、装置、介质及电子设备 |
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 |