CN112668726A - 一种高效通信且保护隐私的个性化联邦学习方法 - Google Patents
一种高效通信且保护隐私的个性化联邦学习方法 Download PDFInfo
- Publication number
- CN112668726A CN112668726A CN202011568563.2A CN202011568563A CN112668726A CN 112668726 A CN112668726 A CN 112668726A CN 202011568563 A CN202011568563 A CN 202011568563A CN 112668726 A CN112668726 A CN 112668726A
- Authority
- CN
- China
- Prior art keywords
- client
- personalized
- federal learning
- model
- model parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004891 communication Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000000873 masking effect Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Landscapes
- Computer And Data Communications (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提供一种高效通信且保护隐私的个性化联邦学***衡的问题。
Description
技术领域
本发明涉及联邦学习技术领域,更具体的,涉及一种高效通信且保护隐私的个性化联邦学习方法。
背景技术
机器学***均(FedAvg)算法来聚合来自各个客户端的模型更新,参与联邦训练的各方在训练结束后得到的是一个统一的全局模型。现有的联邦学***衡,导致全局模型效果损失明显。
现有技术中,如2020年08月28日公开的中国专利,一种在隐私保护下的去中心化联邦机器学***衡。
发明内容
本发明为克服现有的个性化联邦学***衡的技术缺陷,提供一种高效通信且保护隐私的个性化联邦学习方法。
为解决上述技术问题,本发明的技术方案如下:
一种高效通信且保护隐私的个性化联邦学习方法,包括以下步骤:
S4:在中央服务器中对接收到的模型参数聚合,得到聚合结果Wt+1;
S6:判断是否完成预定迭代次数;
若是,则完成个性化联邦学习;
若否,则令t=t+1,并返回步骤S2进行下一轮个性化联邦学习。
优选的,在步骤S2中,每轮个性化联邦学习中只选取k个客户端执行本地训练;其中,客户端总个数为K,k在K中的占比为C。
优选的,当个性化联邦学习的训练对象为深度神经网络模型时,将深度神经网络模型视作全局层和个性化层的组合;
其中,将深度神经网络模型的浅层网络部分定义为全局层,负责提取客户端数据的全局特征;将深度神经网络模型的深层网络部分定义为个性化层,负责捕获客户端数据的个性化特征。
优选的,在步骤S3中,对分层参数组合进行可变频率更新的方式具体包括:
若当前处于个性化联邦学习的早期,即0<t≤T*p,且t%fearlier≠0时或者当前处于个性化联邦学习的后期,即T*p<t≤T,且t%flatet≠0时,则只将浅层部分的模型参数发送到中央服务器;
若当前处于个性化联邦学习的早期,即0<t≤T*p,且t%fearlier=0时或者当前处于个性化联邦学习的后期,即T*p<t≤T,且t%flater=0时,则将所有层的模型参数发送至中央服务器;
其中,t为个性化联邦学习的当前轮数,T为个性化联邦学习的总轮数,p为个性化联邦学习前期的轮数占比,fearlier为个性化联邦学习前期发送所有层的模型参数至中央服务器的周期,flater为个性化联邦学习后期发送所有层的模型参数至中央服务器的周期。
优选的,还包括:对从客户端发往中央服务器的模型参数添加高斯噪声。
优选的,在客户端i中按照以下公式只将浅层部分的模型参数发送到中央服务器,并添加高斯噪声:
优选的,在客户端i中按照以下公式将所有层的模型参数发送至中央服务器,并添加高斯噪声:
优选的,在步骤S4中,
在每轮个性化联邦学习中通过以下公式对中央服务器接收到的模型参数进行聚合操作,得到聚合结果Wt+1:
与现有技术相比,本发明技术方案的有益效果是:
本发明提供了一种高效通信且保护隐私的个性化联邦学***衡;同时,能够减少个性化联邦学习中的参数通信量,实现轻便高效的通信效率。
附图说明
图1为本发明的技术方案实施步骤流程示意图;
图2为本发明中采用深度神经网络模型进行图像分类任务的示意图;
图3为本发明中个性化联邦学习的可变频率示意图;
图4为本发明中个性化联邦学习的分层参数示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种高效通信且保护隐私的个性化联邦学习方法,包括以下步骤:
S4:在中央服务器中对接收到的模型参数聚合,得到聚合结果Wt+1;
S6:判断是否完成预定迭代次数;
若是,则完成个性化联邦学习;
若否,则令t=t+1,并返回步骤S2进行下一轮个性化联邦学习。
更具体的,在步骤S2中,每轮个性化联邦学习中只选取k个客户端执行本地训练;其中,客户端总个数为K,k在K中的占比为C。
在具体实施过程中,考虑到客户端与中央服务器通信的带宽与延迟限制,每次在K个客户端中选择占比为C的客户端,构成集合St参与当前第t轮的个性化联邦学习。被选中的客户端需要完成预先设定轮数E的本地训练。
更具体的,当个性化联邦学习的训练对象为深度神经网络模型时,以采用深度神经网络模型进行图像分类任务为例:图像中包含的普遍且一般性的特征通常由深度神经网络模型的浅层网络部分捕获,而更高级且特有的特征则由深层网络部分识别。如图2所示,靠近输入图片的浅层网络部分提取的往往是低阶特征,靠近输出的深层网络部分提取的是高阶特征。在个性化联邦学习中,根据全局模型与客户端本地模型的定义:全局模型主要关注于客户端上数据的普遍低阶特征,本地模型则主要聚焦于客户端上数据的特有高阶特征。因此我们将用于个性化联邦学习的深度神经网络模型视作全局模型和个性化模型的组合,其中将深度神经网络模型的浅层网络部分定义为全局层,深层网络部分定义为个性化层。
更具体的,在步骤S3中,对分层参数组合进行可变频率更新的方式具体包括:
若当前处于个性化联邦学习的早期,即0<t≤T*p,且t%fearlier≠0时或者当前处于个性化联邦学习的后期,即T*p<t≤T,且t%flater≠0时,则只将浅层部分的模型参数发送到中央服务器;
若当前处于个性化联邦学习的早期,即0<t≤T*p,且t%fearlier=0时或者当前处于个性化联邦学习的后期,即T*p<t≤T,且t%flater=0时,则将所有层的模型参数发送至中央服务器;
其中,t为个性化联邦学习的当前轮数,T为个性化联邦学习的总轮数,p为个性化联邦学习前期的轮数占比,fearlier为个性化联邦学习前期发送所有层的模型参数至中央服务器的周期,flater为个性化联邦学习后期发送所有层的模型参数至中央服务器的周期。
在具体实施过程中,如图3-4所示,采用基于可变频率的分层参数方式进行个性化联邦学***均;在后期,每8轮执行一次所有层参数的聚合平均。
更具体的,还包括:对从客户端发往中央服务器的模型参数添加高斯噪声。
在具体实施过程中,基于差分隐私按层为客户端发往中央服务器的模型参数中添加高斯噪声,对真实参数进行加密,进一步地保护客户端隐私。
更具体的,在客户端i中按照以下公式只将浅层部分的模型参数发送到中央服务器,并添加高斯噪声:
更具体的,在客户端i中按照以下公式将所有层的模型参数发送至中央服务器,并添加高斯噪声:
在具体实施过程中,按照累积学***衡个性化联邦学习中的全局模型和个性化模型的效果。
更具体的,在步骤S4中,
在每轮个性化联邦学习中通过以下公式对中央服务器接收到的模型参数进行聚合操作,得到聚合结果Wt+1:
在具体实施过程中,当0<t≤T*p且t%fearlier≠0时或T*p<t≤T且t%flater≠0时,客户端仅发送深度神经网络模型浅层部分的参数进行所有层参数聚合,因此在中央服务器执行操作后,在步骤S5中各客户端也仅需更新本地模型浅层部分的参数,保持深层部分参数不变,即客户端上个性化层的参数只取决于自身数据。而当0<t≤T*p且t%fearlier=0时或T*p<t≤T且t%flater=0时,客户端发送了网络模型的所有参数至中央服务器,中央服务器按照前后期不同的预设周期(fearlier和flater)对其执行周期性的聚合平均,在步骤S5中各客户端将需要更新所有层的参数。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种高效通信且保护隐私的个性化联邦学习方法,其特征在于,包括以下步骤:
S4:在中央服务器中对接收到的模型参数聚合,得到聚合结果Wt+1;
S6:判断是否完成预定迭代次数;
若是,则完成个性化联邦学习;
若否,则令t=t+1,并返回步骤S2进行下一轮个性化联邦学习。
2.根据权利要求1所述的一种高效通信且保护隐私的个性化联邦学习方法,其特征在于,在步骤S2中,每轮个性化联邦学习中只选取k个客户端执行本地训练;其中,客户端总个数为K,k在K中的占比为C。
4.根据权利要求1所述的一种高效通信且保护隐私的个性化联邦学习方法,其特征在于,当个性化联邦学习的训练对象为深度神经网络模型时,将深度神经网络模型视作全局层和个性化层的组合;
其中,将深度神经网络模型的浅层网络部分定义为全局层,负责提取客户端数据的全局特征;将深度神经网络模型的深层网络部分定义为个性化层,负责捕获客户端数据的个性化特征。
5.根据权利要求1所述的一种高效通信且保护隐私的个性化联邦学习方法,其特征在于,在步骤S3中,对分层参数组合进行可变频率更新的方式具体包括:
若当前处于个性化联邦学习的早期,即0<t≤T*p,且t%fearlier≠0时或者当前处于个性化联邦学习的后期,即T*p<t≤T,且t%flater≠0时,则只将浅层部分的模型参数发送到中央服务器;
若当前处于个性化联邦学习的早期,即0<t≤T*p,且t%fearlier=0时或者当前处于个性化联邦学习的后期,即T*p<t≤T,且t%flater=0时,则将所有层的模型参数发送至中央服务器;
其中,t为个性化联邦学习的当前轮数,T为个性化联邦学习的总轮数,p为个性化联邦学习前期的轮数占比,fearlier为个性化联邦学习前期发送所有层的模型参数至中央服务器的周期,flater为个性化联邦学习后期发送所有层的模型参数至中央服务器的周期。
6.根据权利要求5所述的一种高效通信且保护隐私的个性化联邦学习方法,其特征在于,还包括:对从客户端发往中央服务器的模型参数添加高斯噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568563.2A CN112668726B (zh) | 2020-12-25 | 2020-12-25 | 一种高效通信且保护隐私的个性化联邦学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568563.2A CN112668726B (zh) | 2020-12-25 | 2020-12-25 | 一种高效通信且保护隐私的个性化联邦学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668726A true CN112668726A (zh) | 2021-04-16 |
CN112668726B CN112668726B (zh) | 2023-07-11 |
Family
ID=75409693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011568563.2A Active CN112668726B (zh) | 2020-12-25 | 2020-12-25 | 一种高效通信且保护隐私的个性化联邦学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668726B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967812A (zh) * | 2021-04-20 | 2021-06-15 | 钟爱健康科技(广东)有限公司 | 一种基于联邦学习的防窃取攻击医疗诊断模型保护方法 |
CN113095513A (zh) * | 2021-04-25 | 2021-07-09 | 中山大学 | 双层公平联邦学习方法、装置和存储介质 |
CN113268920A (zh) * | 2021-05-11 | 2021-08-17 | 西安交通大学 | 一种基于联邦学习的无人机群感知数据安全共享方法 |
CN113344221A (zh) * | 2021-05-10 | 2021-09-03 | 上海大学 | 一种基于神经网络架构搜索的联邦学习方法及*** |
CN113361618A (zh) * | 2021-06-17 | 2021-09-07 | 武汉卓尔信息科技有限公司 | 一种基于联邦学习的工业数据联合建模方法及*** |
CN113361694A (zh) * | 2021-06-30 | 2021-09-07 | 哈尔滨工业大学 | 一种应用差分隐私保护的分层联邦学习方法及*** |
CN113378243A (zh) * | 2021-07-14 | 2021-09-10 | 南京信息工程大学 | 一种基于多头注意力机制的个性化联邦学习方法 |
CN113435604A (zh) * | 2021-06-16 | 2021-09-24 | 清华大学 | 一种联邦学习优化方法及装置 |
CN113516249A (zh) * | 2021-06-18 | 2021-10-19 | 重庆大学 | 基于半异步的联邦学习方法、***、服务器及介质 |
CN113645197A (zh) * | 2021-07-20 | 2021-11-12 | 华中科技大学 | 一种去中心化的联邦学习方法、装置及*** |
CN113642738A (zh) * | 2021-08-12 | 2021-11-12 | 上海大学 | 基于层次式网络结构的多方安全协作机器学习方法及*** |
CN113656833A (zh) * | 2021-08-09 | 2021-11-16 | 浙江工业大学 | 基于进化计算的在垂直联邦架构下的隐私窃取防御方法 |
CN114239860A (zh) * | 2021-12-07 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的模型训练方法及装置 |
CN114357526A (zh) * | 2022-03-15 | 2022-04-15 | 中电云数智科技有限公司 | 抵御推断攻击的医疗诊断模型差分隐私联合训练方法 |
CN114492847A (zh) * | 2022-04-18 | 2022-05-13 | 奥罗科技(天津)有限公司 | 一种高效个性化联邦学习***和方法 |
CN114595831A (zh) * | 2022-03-01 | 2022-06-07 | 北京交通大学 | 融合自适应权重分配和个性化差分隐私的联邦学习方法 |
CN114863499A (zh) * | 2022-06-30 | 2022-08-05 | 广州脉泽科技有限公司 | 一种基于联邦学习的指静脉与掌静脉识别方法 |
CN114862416A (zh) * | 2022-04-11 | 2022-08-05 | 北京航空航天大学 | 一种联邦学***台信用评价方法 |
WO2022222816A1 (zh) * | 2021-04-21 | 2022-10-27 | 支付宝(杭州)信息技术有限公司 | 用于隐私保护的模型的训练方法、***及装置 |
CN116016212A (zh) * | 2022-12-26 | 2023-04-25 | 电子科技大学 | 一种带宽感知的去中心化联邦学习方法及装置 |
CN116227621A (zh) * | 2022-12-29 | 2023-06-06 | 国网四川省电力公司电力科学研究院 | 一种基于电力数据的联邦学习模型训练方法 |
WO2023109246A1 (zh) * | 2021-12-17 | 2023-06-22 | 新智我来网络科技有限公司 | 一种面向断点隐私保护的方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664819A (zh) * | 2004-03-02 | 2005-09-07 | 微软公司 | 通过对信息新颖性和动态学的分析来个性化新闻馈送的原理和方法 |
CN101639852A (zh) * | 2009-09-08 | 2010-02-03 | 中国科学院地理科学与资源研究所 | 一种分布式地学数据共享的方法和*** |
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*** |
CN111079977A (zh) * | 2019-11-18 | 2020-04-28 | 中国矿业大学 | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 |
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*** |
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、***、存储介质、程序、终端 |
-
2020
- 2020-12-25 CN CN202011568563.2A patent/CN112668726B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664819A (zh) * | 2004-03-02 | 2005-09-07 | 微软公司 | 通过对信息新颖性和动态学的分析来个性化新闻馈送的原理和方法 |
CN101256591A (zh) * | 2004-03-02 | 2008-09-03 | 微软公司 | 通过对信息新颖性和动态学的分析来个性化新闻馈送的原理和方法 |
CN101639852A (zh) * | 2009-09-08 | 2010-02-03 | 中国科学院地理科学与资源研究所 | 一种分布式地学数据共享的方法和*** |
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*** |
CN111079977A (zh) * | 2019-11-18 | 2020-04-28 | 中国矿业大学 | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 |
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、***、存储介质、程序、终端 |
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*** |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967812A (zh) * | 2021-04-20 | 2021-06-15 | 钟爱健康科技(广东)有限公司 | 一种基于联邦学习的防窃取攻击医疗诊断模型保护方法 |
WO2022222816A1 (zh) * | 2021-04-21 | 2022-10-27 | 支付宝(杭州)信息技术有限公司 | 用于隐私保护的模型的训练方法、***及装置 |
CN113095513A (zh) * | 2021-04-25 | 2021-07-09 | 中山大学 | 双层公平联邦学习方法、装置和存储介质 |
CN113344221A (zh) * | 2021-05-10 | 2021-09-03 | 上海大学 | 一种基于神经网络架构搜索的联邦学习方法及*** |
CN113268920A (zh) * | 2021-05-11 | 2021-08-17 | 西安交通大学 | 一种基于联邦学习的无人机群感知数据安全共享方法 |
CN113435604A (zh) * | 2021-06-16 | 2021-09-24 | 清华大学 | 一种联邦学习优化方法及装置 |
CN113435604B (zh) * | 2021-06-16 | 2024-05-07 | 清华大学 | 一种联邦学习优化方法及装置 |
CN113361618A (zh) * | 2021-06-17 | 2021-09-07 | 武汉卓尔信息科技有限公司 | 一种基于联邦学习的工业数据联合建模方法及*** |
CN113516249A (zh) * | 2021-06-18 | 2021-10-19 | 重庆大学 | 基于半异步的联邦学习方法、***、服务器及介质 |
CN113361694A (zh) * | 2021-06-30 | 2021-09-07 | 哈尔滨工业大学 | 一种应用差分隐私保护的分层联邦学习方法及*** |
CN113361694B (zh) * | 2021-06-30 | 2022-03-15 | 哈尔滨工业大学 | 一种应用差分隐私保护的分层联邦学习方法及*** |
CN113378243B (zh) * | 2021-07-14 | 2023-09-29 | 南京信息工程大学 | 一种基于多头注意力机制的个性化联邦学习方法 |
CN113378243A (zh) * | 2021-07-14 | 2021-09-10 | 南京信息工程大学 | 一种基于多头注意力机制的个性化联邦学习方法 |
CN113645197A (zh) * | 2021-07-20 | 2021-11-12 | 华中科技大学 | 一种去中心化的联邦学习方法、装置及*** |
CN113645197B (zh) * | 2021-07-20 | 2022-04-29 | 华中科技大学 | 一种去中心化的联邦学习方法、装置及*** |
CN113656833A (zh) * | 2021-08-09 | 2021-11-16 | 浙江工业大学 | 基于进化计算的在垂直联邦架构下的隐私窃取防御方法 |
CN113642738A (zh) * | 2021-08-12 | 2021-11-12 | 上海大学 | 基于层次式网络结构的多方安全协作机器学习方法及*** |
CN113642738B (zh) * | 2021-08-12 | 2023-09-01 | 上海大学 | 基于层次式网络结构的多方安全协作机器学习方法及*** |
CN114239860A (zh) * | 2021-12-07 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的模型训练方法及装置 |
WO2023109246A1 (zh) * | 2021-12-17 | 2023-06-22 | 新智我来网络科技有限公司 | 一种面向断点隐私保护的方法、装置、设备及介质 |
CN114595831A (zh) * | 2022-03-01 | 2022-06-07 | 北京交通大学 | 融合自适应权重分配和个性化差分隐私的联邦学习方法 |
CN114595831B (zh) * | 2022-03-01 | 2022-11-11 | 北京交通大学 | 融合自适应权重分配和个性化差分隐私的联邦学习方法 |
CN114357526A (zh) * | 2022-03-15 | 2022-04-15 | 中电云数智科技有限公司 | 抵御推断攻击的医疗诊断模型差分隐私联合训练方法 |
CN114862416A (zh) * | 2022-04-11 | 2022-08-05 | 北京航空航天大学 | 一种联邦学***台信用评价方法 |
CN114492847B (zh) * | 2022-04-18 | 2022-06-24 | 奥罗科技(天津)有限公司 | 一种高效个性化联邦学习***和方法 |
CN114492847A (zh) * | 2022-04-18 | 2022-05-13 | 奥罗科技(天津)有限公司 | 一种高效个性化联邦学习***和方法 |
CN114863499A (zh) * | 2022-06-30 | 2022-08-05 | 广州脉泽科技有限公司 | 一种基于联邦学习的指静脉与掌静脉识别方法 |
CN116016212A (zh) * | 2022-12-26 | 2023-04-25 | 电子科技大学 | 一种带宽感知的去中心化联邦学习方法及装置 |
CN116016212B (zh) * | 2022-12-26 | 2024-06-04 | 电子科技大学 | 一种带宽感知的去中心化联邦学习方法及装置 |
CN116227621A (zh) * | 2022-12-29 | 2023-06-06 | 国网四川省电力公司电力科学研究院 | 一种基于电力数据的联邦学习模型训练方法 |
CN116227621B (zh) * | 2022-12-29 | 2023-10-24 | 国网四川省电力公司电力科学研究院 | 一种基于电力数据的联邦学习模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112668726B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668726A (zh) | 一种高效通信且保护隐私的个性化联邦学习方法 | |
CN114186237B (zh) | 一种基于真值发现的鲁棒性联邦学习模型聚合方法 | |
CN109919920B (zh) | 统一结构的全参考和无参考图像质量评价方法 | |
CN109639479B (zh) | 基于生成对抗网络的网络流量数据增强方法及装置 | |
CN114841364B (zh) | 一种满足个性化本地差分隐私需求的联邦学习方法 | |
Qin et al. | Federated learning-based network intrusion detection with a feature selection approach | |
CN111464485A (zh) | 一种加密代理流量检测方法和装置 | |
CN114564746B (zh) | 基于客户端权重评价的联邦学习方法和*** | |
CN113779563A (zh) | 联邦学习的后门攻击防御方法及装置 | |
CN107945199A (zh) | 基于蝙蝠算法和大津算法的红外图像分割方法及*** | |
CN114219732A (zh) | 基于天空区域分割和透射率细化的图像去雾方法及*** | |
CN111192206A (zh) | 一种提高图像清晰度的方法 | |
CN1658576A (zh) | 一种大型网站数据流的检测与防御方法 | |
CN111737318B (zh) | 一种网络诈骗易感人群筛选方法 | |
CN113194092B (zh) | 一种精准的恶意流量变种检测方法 | |
CN116017463A (zh) | 基于动态信任机制的无线传感器网络恶意节点识别方法 | |
CN114882582A (zh) | 基于联邦学习模式的步态识别模型训练方法与*** | |
CN110009579B (zh) | 一种基于头脑风暴优化算法的图像复原方法及*** | |
CN112270233A (zh) | 一种基于迁移学习与Mobilenet网络的口罩分类方法 | |
CN111835720A (zh) | 基于特征增强的vpn流量web指纹识别方法 | |
TWI683224B (zh) | 群集分析方法及採用該方法之資料探勘系統 | |
CN112016428A (zh) | 一种用于视频监控业务的移动边缘计算***及装置 | |
CN114611722B (zh) | 一种基于聚类分析的安全横向联邦学习方法 | |
CN111488507B (zh) | 一种网络代理的优选方法 | |
CN117459299A (zh) | 一种工业物联网入侵检测的联邦学习方法及装置 |
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 |